1.ELMo

简介： 首次提出预训练的模型，采用的是LSTM模型进行训练的， 然后和词向量拼接到一起送入到下游的RNN中，去做具体的工作。

结论： 预训练是一种通用的提升效果的手段

2.GPT

介绍： 早于BERT，启用了Transformer作为核心编码器。开始使用特有token连接不同句子。

训练简介： 语言模型采取单向，自回归训练，在语言模型预训练的基础上，增加了有监督任务训练。在这之后就很少有使用LSTM来做预训练任务的了。

3.Bert

两个训练任务： 1. MASK LM任务 2. Next Sentence Predict任务

3.1Ernie-baidu

改进点： Mask随机token -> Mask实体或词组；
优劣：

1. 优： 这种做法在本质上相当于在预训练中加入了先验知识，可以更好的学习该语言
2. 劣： 但是这也意味着对未知语言可能会无法使用该策略，因为未知语言，没法获取到其中的词或者实体的信息。

3.2Ernie- Tsinghua

改进点： 引入知识图谱，将实体信息融合到预训练任务中，从下图中可以看到，在下游fine-tune修改。对于不同实体分类和关系分类引入了两种token来加强模型对实体信息的认知

总结： 上面两个的改进思路，都是强调了额外知识的重要性；虽然最后并没有获取到非常好的效果，迁移性不强，但是可以是一种思路。

4.GPT2

简介： 继续使用单向语言模型,继续使用transformer结构（小改）;改进： Bigger model，more data

重点： 强调zero-shot；任何一个任务，可以看做生成任务。所有任务都可以简化为输入和输出。就不再需要Fine-tuning

以翻译任务为例，希望语言模型输出：

问题点： 这样将每个任务固定token加入到训练的语料中，对数据的负担其实和采用下游任务微调没有区别。而且不可能穷举所有的任务。
但是： 大规模语言模型可以在不做有监督训练的情况下，完成许多任务。

5.UNILM

简介： 使用Bert的模型结构，同时进行Mask LM，单向LM，和seq2seq训练;使得预训练后模型可以更好的应用在生成式任务上:如机器翻译和机器摘要等。

释义： 即通过不同的mask，就可以在相同的模型结构上训练出不同模型任务能力；解决了Bert在生成式任务上的短板。

6.Transformer-XL & XLNet

目标： 希望解决Transformer的长度限制问题；
释义： 在Bert的基础版本中，由于位置编码的长度是512；意外着输入的文本长度不能超过512，不然就无法输入模型中计算或者被截断。做了很多改进方案，如下：

6.1方案一

方案： 循环机制 Recurrence Mechanism

思想： 借鉴RNN机制,将隐单元向量不断向后传递。在transformer模型中呢，则是将前一段文本的隐向量与后一段文本印象里拼接之后计算attention。即第一次输入的文本，在每一层模型都有输出，把这个保留，在后面一次输入的计算中加上，就默认是两次文本的了，补充了原来的上下文内容。

下面是公式，不做详细介绍：
## 方案二
方案： 相对位置编码 Relative Positional Encodings；当然当前大语言模型所使用的位置编码和这里的已经有很大不同了。

详细介绍：

1. 这个方案，从下面这个公式出发：
2. E、和U可以理解为BERT中的文本向量化和位置编码，这里通过Wq和Wk就是selft-attention的q、k需要过的线性层。
   
3. 通过上面的是子相乘后，得到下面的公式，即四个式子之和。当前要做的是位置的编码，所以变化的也是带有U的，因为U是位置编码内容。

4. Uj使用一个矩阵Ri-j来表示，这个值是不可训练的，代表的是两个字之间的相对位置。
5. u、v是可训练的参数，代表的是原来的Ui。

6.2方案三

前言：

1. AR语言模型 auto regressive language model；单向预测下一个字
   缺点：缺少双向信息

2. AE语言模型 auto encoding language model；双向信息输入，预测中间某个mask的字
   缺点：引入了[mask]，但实际任务中不不存在

改进方案： AR语言模型与AE语言模型融合；Permutation Language Model；调整句子顺序，之后进行单向预测

释义： 将原来的句子：1-2-3-4；位置打乱，变成2-4-3-1；打乱成多种情况，通过2-4；预测3；通过2-4-3预测1；就是顺序是混乱的，使得预测一个字时，既有前面的信息，又有后面的信息.

7.Roberta

简介： 模型结构不变，和BERT相似，但是对训练方式进行了调整。
改进点

1. 更多的数据，更大的batch size，更久的训练
2. 去掉next sentence prediction ;Bert有两个训练任务，其中预测上下句之间关系的任务摒弃了。
3. 使用更长的样本
4. 动态改变mask位置。在原来的Bert中，同一个样本，每次训练都mask同一个词，动态是指，现在随机改变。相当于有了更多的语料，使得模型能够学习到更多的知识。

结论： 挖掘旧的方法的潜力，有时比创新还要有效；能够最大限度的发挥一种算法的能力，是算法工程师能力的体现。

8.SpanBert

与BERT的主要区别有三个：

1.去掉了next sentence prediction任务
2.随机mask几个连续的token
3.新的预训练任务SBO（Span Boundary Objective）

8.1SBO简介：

释义：

1. Xs-1代表mask片段之前的第一个token的Embedding
2. Xe+1代表mask片段之后的第一个token的Embedding
3. Pi-s+1代表目标token的Position Embedding，这个位置编码是指遮住的mask中的位置编码。
4. 计算一个token的loss值时，处理mask的任务还要加上SBO任务；SBO任务代表着这个token与前后文的关系和mask中的信息。

结论： 大模型+更多的数据不是唯一出路，改变训练目标也有很大影响。

9.ALBERT

解决问题： 试图解决Bert模型过大的问题；想办法减少参数量。

9.1方案一

介绍： Factorized embedding parameterization；Embedding层的因式分解
举例：
Factorized embedding parameterization
O(V × H) -> O(V × E + E × H)
V = 词表大小 30000
H = 隐单元个数 1024
E = 指定Embedding大小 512 （原生Bert无此参数）

参数量
V x H = 30720000
V x E + E x H = 15360000 + 524288 = 15884288

释义：

1. embedding词，如果向量的维度是1024，那么3万个词的参数就是：30720000
2. 将embedding的维度减小，比如减到512；这里代表着默认512维也能较好的表示词的含义，只是后续的网络训练中，还需要更大的维度才好
   3.在2的基础上，即： 30000 *512；通过矩阵变换，乘以线性层： 512 * 1024即可

9.2方案二

介绍： Cross-layer parameter sharing;跨层参数共享
释义：

1. 跨层参数共享，有多种共享方式：
   只共享attention部分
   只共享feed-forward部分
   全部共享
2. 这里指的共享，是指参数的值共享，比如：Bert的层数不变，每层的结构不变，只是他的每层使用的参数与其他层是相同的。

下面是一些效果：

**结论：**共享参数后，效果其实下降的并不多，可以接受。

9.3方案三

介绍： 直白来讲，就是增加训练的任务，SOP任务替代NSP任务，Sentence order prediction。

改进： 原来Bert的训练任务是判断上下两句话的关系，现在任务改成，两句话，谁是上句谁是下句。

举例：
预测两句话的前后关系，同样是二分类任务
[CLS] 你好啊bert [SEP] 好久不见 [SEP] -> Positive
[CLS] 好久不见 [SEP]你好啊bert [SEP] -> Negative

10.T5

简介： Text-to-Text Transfer Transformer；seq2seq理论上可以解决一切NLP问题。
比如：

分类问题：文本 -> 标签
命名实体识别：文本 -> 实体
摘要、翻译：文本 -> 文本
回归问题：文本 -> 0.1(字符串)

改进： 在训练方式上，比GPT2跟进一步，GPT2是在训练的语料中，添加某些具体的token任务标识；而T5采取更自然一些，通过自定义的token区分任务，共享模型和解码方式。

举例：
翻译
你 好 吗 -> How are you

摘要

原 文 本……. -> 摘 要 文 本…

分类
A 股 市 场…. -> 金 融

11.GPT3

简介： 1750 亿参数量，是GPT-2的116倍；模型结构与GPT-2相同；继续使用单向语言模型预训练。

理念：
Pre-training + fine-tune ×
理由：
1、fine-tune需要的数据，经常是缺失的
2、fine-tune会涉及对模型进行改造，使其变复杂，并失去泛化性
3、人类学习做新任务并不需要很多样本

Pre-training + Zero-, One-, Few-shot √

12.从"续写"到"回答"

简介： 在前面中说的使用各种训练的方式，其实模型最后达到的还是一个续写的能力，基本所有的任务都用生成式来解决的话，更加理想的方式，模型永远生成文本，并且是用文本描述各种各种任务的答案。

在完成这个步骤的过程中，OpenAI的公司提供了一些关于chatGPT的训练方式，使得其又续写变为回答，如下：

在完成预训练后，再进行SFT和RLHF训练。

12.1SFT训练

训练过程 可以用下面示意图表示：

释义：

1. 训练和seq2seq很像，权重完全是在预训练的基础进行训练的
2. 在训练工程中，需要很多问答的数据，问题再< sep >前面，答案在后面，在训练计算loss时，则从< sep >开始预测后面的内容。
3. 在这个过程中，mask的形状和UNILM中Self-attention Masks一样。

12.2RLHF

12.2.1RW

简介： Reward model training，有称奖励模型，目的是模型输出结果进行一个打分，评判结果的优劣。

训练数据： 训练的数据是采用一个相同的问题，通过不同的模型、或者相同的模型得到不一样的答案，通过人工标注的方式，对同一个问题下的不同答案进行优劣排序。

模型公式如下：

训练释义：

1. 将得到的相同问题下的不同答案，两两一组进行训练，排序在前面（两个一组的答案中相对较好的）答案，即yw；相对较差的答案即为yl。
2. 根据公式中x代表问题，y代表答案，分别经过模型打分后，相减求对数等计算，本质上就是相应训练出一个打分模型，能对优质的答案打分尽量高，较差的答案打分低，去区分。
3. rθ就是训练得到的一个交互式文本匹配模型，对问题和答案输出为标量（0-1）匹配度。

12.2.2RL

简介： RL就是通过RW得到的奖励模型，对SFT微调后的模型，进行强化学习。

公式如下：

简要释义：

把公式拆分为1、2、3部分；简单来说，把RW奖励模型当作一个模型训练的教练，对模型输出进行打分，并作为loss，去进一步调优模型。

1. 第一部分，即指的是RW奖励模型，对问题和SFT模型输出结果的打分。
2. 第二部分，前面半截代表当前进行强化训练的模型，对输入问题x，输出结果为y的概率；后面半截就是SFT模型的概率。比值打，说明强化学习改变很多，比值小，说明只是在SFT上进行小步的优化。
   第一部分和第二部分，就是说明，用奖励模型去调优SFT模型，不希望有巨大的调整，因为SFT后，模型本身就是比较好的状态，不应该有较大的调整。
3. 第三部分，即将把模型的强化学习当作预训练过程来进行loss计算，调优，针对生成答案的每个字、词的权重进行优化。当然这步可以取消。

13.NLP迭代

简介： 简单来说，在人工智能的发展过程中，是逐渐剥离掉了人的主观因素，将大量的数据交由模型自己去寻找和总结自己的规律的过程。从最开始1，人类去总结规律，通过代码去实现的方式（if -else）；到2，人类去标注出规律，设计模型的结构，通过数据让机器去学习规律。到3，人类提供大量的数据，让模型去寻找和获取其中的规律；到4，训练的目标都由模型去对齐，就是强化学习