谷歌ampampampHuggingFace零样本能力最强的语言模型结构

　　本文  约2000字  ，建议阅读 5分钟
　　要是为了模型的 zero-shot 泛化能力，decoder 结构 + 语言模型任务最好；要是再 multitask finetuning，encoder-decoder 结构 + MLM 任务最好。
　　从 GPT3 到 Prompt，越来越多人发现大模型在零样本学习（zero-shot）的设定下有非常好的表现。这都让大家对 AGI 的到来越来越期待。
　　但有一件事让人非常疑惑：19 年 T5 通过＂调参＂发现，设计预训练模型时，Encoder-Decoder 的模型结构 + MLM 任务，在下游任务 finetune 效果是最好的。可是在 2202 年的当下，主流的大模型用的都是仅 decoder 的模型结构设计，比如 OpenAI 的 GPT 系列、Google 的 PaLM [1]、Deepmind 的 Chinchilla [2] 等等。这是为什么？难道这些大模型设计都有问题？
　　今天带来一篇 Hugging Face 和 Google 的文章。这篇文章与 T5 在实验上的思路相似，通过大量对比设计，得到一个重磅结论：要是为了模型的 zero-shot 泛化能力，decoder 结构 + 语言模型任务最好；要是再 multitask finetuning，encoder-decoder 结构 + MLM 任务最好。
　　除了找到最好的训练方式，作者通过大量的实验，还找到了最好的同时还能最节省成本的训练方式。训练计算量只需要九分之一！
　　论文题目:
　　What Language Model Architecture and Pretraining Objective Work Best for Zero-Shot Generalization?
　　论文链接:
　　https://arxiv.org/abs/2204.05832
　　模型设计
　　模型设计可以分成图中的四个方面，即选什么结构？什么训练目标？要不要搞 adaptation？multitask finetuning？文章还在两个 benchmark 进行了评测。
　　模型结构 Architecture
　　模型结构都基于 transformer，有三个选项，如图所示：
　　Causal decoder-only (CD)：直接只用 transformer decoder。这类模型大多使用语言模型的训练目标，即通过上文预测当前 token。代表作有 GPT 系列。 Non-causal decoder-only (ND)：为了能在给定条件下生成或基于输入生成，训练时可以让前面一部分 token 可见。 Encoder-decoder (ED)：这就是原始 transformer 的结构，输入一个序列，encoder 输出同样长度的向量表示序列，decoder 基于 encoder 的输出做有条件的自回归生成。
　　小结一下，CD 是只用 decoder，ND 是给提示的 decoder，ED 是 encoder-decoder。后面将用缩写表示。
　　训练目标 Objective
　　与模型结构对应，训练目标也有三种：
　　Full language modeling (FLM)：CD 类的模型架构常用 FLM，通过上文预测当前 token。在训练时，每个 token 可以并行计算出 loss，预测时要迭代预测。 Prefix language modeling (PLM)：ND 类和 ED 类的模型架构可以用 PLM。首先在 attention 矩阵中定义一段 prefix，训练时要求模型生成 prefix 后面的 tokens。 Masked language modeling (MLM)：只用 Encoder 的模型常用 MLM 目标。后来在 T5 这个 seq2seq 模型里，也使用了整段 mask 的 MLM 任务。
　　小结一下，FLM 就是语言模型目标，PLM 是带提示的语言模型目标，MLM 是掩码目标。后面也会用缩写表示。
　　适应任务 Adaptation
　　适应任务是预训练之后，换一个新的训练目标，继续训练。与 finetune 不同的是，适应的过程并没有使用新的下游任务的数据，只是继续使用预训练的数据。适应任务也可以分成两类。
　　Language modeling adaptation (LM-A)：预训练用 MLM，后面再用 PLM 或 FLM 继续训练。MLM + FLM 就是 T5 采用的方式，而 MLM + PLM，就是之前非常火的连续化 prompt-tuning 的方法，比如 prefix-tuning 等等。 Non-causal MLM adaptation (NC-A) ：预训练用的是 PLM，后面再用 FLM 继续训练。这个方法是本文首次提出的，给 decoder 前面一部分 prefix 固定住，用 PLM 目标训练，相当于给 GPT 做 prefix-tuning。
　　多任务微调 Multitask finetuning
　　多任务微调 multitask finetuning (MT-F) 是 Hugging Face 去年年底的工作 [3]，即拿到预训练模型，给他在 171 个任务上用 prompt 的方式同时 finetune。这种方式可以极大地增加预训练模型的 zero-shot 能力。
　　实验和结论
　　评测任务
　　这篇文章用了两个 benchmark：
　　EleutherAI LM Evaluation Harness (EAI-Eval)：这个任务是用来评测语言模型（也就是本文中使用 FLM 训练目标的模型）的 zero-shot 能力。 T0 的测试集 (T0-Eval)：就是 Hugging Face 之前 multitask finetuning 工作使用的测试集。
　　这两个测试集都是用 prompt 的方式进行测试，即直接构建 prompt 输入给预训练模型，让模型生成预测结果。两个测试集不同的地方在于，EAI-Eval 的每个任务只给了一个 prompt，因此评测受 prompt 波动影响比较大，因此在本文的测试里，作者们为每个任务多设计了一些 prompts，来消除随机性。
　　结论
　　实验得到如下结论：
　　只无监督预训练时：
　　CD 的模型结构 + FLM 训练目标 = zero shot 最好的模型。
　　这里就跟现在的大模型对上了。大模型都用的是这个组合，有最好的零样本泛化能力。
　　预训练之后再加上多任务微调时：
　　ED 的模型结构 + MLM 训练目标 = zero shot 最好的模型。
　　这张图左右表示两个评测集。每张图上都有九个点，代表九个模型架构和训练目标的组合。左边 T0-Eval 上结果非常明显：可以将九个组合分成三组，左边是几个 baseline，中间是三种模型结构 + 语言模型训练目标，右边是三种模型结构 + MLM 训练目标。可以明显看到，MLM 训练目标明显更好，MLM + ED 最好。
　　适应任务的作用：
　　预训练之后，换一个新的训练目标，继续训练，这带来的主要是训练成本的降低。比如左图，本身我们想要一个 CD + FLM 的结合，那就先训一个 ND + MLM，然后改成 CD + FLM 再做适应任务，这样可以总体提速 1.6 倍。
　　经过一系列实验，作者最后总结出一个结论：如果想最低成本的构建效果好的大模型，那就用 CD + FLM 预训练，然后再改用 ND + MLM 做适应任务，最后再使用多任务微调。这样的训练方式要比直接训练提速 9.1 倍，同时效果最好。
　　总结
　　这篇文章跟 T5 非常像，也是用调参的感觉在设计实验，最终找到最好的模型设计和训练方式。这样的论文读下来也感觉逻辑清晰严谨。
　　但是从另外一个角度想，这样的文章似乎也有些无聊：现在大模型的使用，变成了找 prompt 的特征工程。这篇文章的训练和设计也变成了调参，而失去了创新的灵机一动。这可能代表了大模型领域的内卷吧。
　　参考文献：
　　[1] Aakanksha Chowdhery, et. el., ＂Palm: Scaling language modeling with pathways.＂, https://arxiv.org/abs/2204.02311  [2]Jordan Hoffmann, et. al., ＂Training Compute-Optimal Large Language Models.＂, https://arxiv.org/abs/2203.15556[3]Victor Sanh, et. al., ＂Multitask Prompted Training Enables Zero-Shot Task Generalization＂, https://arxiv.org/abs/2110.08207