GLM模型介绍

paper: 《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》

摘要：

我们提出了一个基于自回归空白填充的通用语言模型（GLM）来解决这一挑战。GLM通过添加2D位置编码和允许任意顺序预测跨度来改进空白填充预训练，这导致在NLU任务上的性能优于BERT和T5。同时，GLM可以通过改变空白格的数量和长度来对不同类型的任务进行预训练。在NLU、条件和无条件生成的广泛任务中，GLM优于BERT、T5和GPT，并在1.25×参数的预训练模型中获得最佳性能，证明了其对不同下游任务的通用性。

 模型架构：

1. 设计独特的mask atten 来实现NLU和NLG（类似unilm的思想）

2. 2D编码，分别标注span在整个句子的位置，和span内部每个token的相对位置

数据构造：从文随机抽取出span，用【mask】替代，然后把span随机排列，拼接到输入序列的后面，每个span input 开始位置插入【start】,span的输出结束位置插入【end】

训练目标：

自回归方式的span预测（片段预测）

short mask： 有利于NLU

Document-level mask、 Sentence-level mask： 为了使NLG效果更好