目前关于chatGPT的资料过于零散，没有详尽所有知识点、系统概述的文章，因此，笔者作了这篇总结性文章。

• 训练过程总览

• 理清演化路径

• 预训练(pretrain)

  • GPT-3概述

  • GPT 3模型的理念

  • GPT-3如何学习

  • 数据集

• 指令微调 (Instruction Fine-Tuning，IFT)

• 有监督微调 (Supervised Fine-tuning, SFT)

• 人类反馈强化学习 (Reinforcement Learning From Human Feedback，RLHF)

• 其他方法

  • 思维链 (Chain-of-thought，CoT)

• 与chatGPT类似的工作

训练过程总览

OpenAI 使用了 175B参数的大型语言模型（LM） 和 6B参数的奖励模型 （RM）。除预训练之外，训练过程分为三步：

1. 收集NLP各种任务的数据集，加上任务描述和提示组装成新的数据集，并使用这些数据微调预训练的大型语言模型。包括指令微调和有监督微调。

2. 从上述数据集中采样，使用大型语言模型生成多个响应，手动对这些响应进行排名，并训练奖励模型 （RM） 以适应人类偏好。

3. 基于第一阶段的有监督微调模型和第二阶段的奖励模型，使用强化学习算法进一步训练大型语言模型。

理清演化路径

GPT-3.5 参数量仍然为175B，总体进化树如下：

img

img

预训练(pretrain)

GPT-3概述

• GPT-3是一种自回归模型，仅使用解码器，训练目标也是预测下一个单词（没有判断下一句任务）。

• 最大的GPT-3模型有175B参数，是BERT模型大470倍(0.375B)

image-20230221144754842

GPT 3模型的理念

• 不需要接新的模型结构：如bert用于NER任务一般接LSTM+CRF

• 不需要微调

• 一个模型解决NLP多种任务

• NLP任务都可以用生成模型解决

• 和人类一样，只需要看极少数量的样例就能学会

GPT-3如何学习

• 零样本学习：提供任务描述、提示

• 单样本学习：提供任务描述、一个样例、提示

• 少样本学习：提供任务描述、几个样例、提示

数据集

模型	发布时间	参数量	预训练数据量
BERT-large	2019 年 3 月	3.75 亿	约3.3GB
GPT	2018 年 6 月	1.17 亿	约 5GB
GPT-2	2019 年 2 月	15 亿	40GB
GPT-3	2020 年 5 月	1,750 亿	45TB

• BERT-large：BooksCorpus 800M words、 English Wikipedia 2.5Bwords

• GPT：WebText2, BooksCorpus、Wikipedia超过 5GB。

• GPT-2：WebText2, BooksCorpus、Wikipedia总量达到了40GB。

• GPT-3：**WebText2, BooksCorpus、Wikipedia、Common Crawl **等数据集45TB数据。

  

  image-20230221153905277

指令微调 (Instruction Fine-Tuning，IFT)

收集NLP各种任务的数据集，加上任务描述和提示组装成新的数据集。chatGPT使用到的数据集如下：

image-20230221113507381

相关的一些论文：

• Unnatural Instructions (Honovich 等, '22): https://arxiv.org/abs/2212.09689

• Super-natural instructions (Wang 等, '22): https://arxiv.org/abs/2204.07705

• Self-Instruct (Wang 等, '22): https://arxiv.org/abs/2212.10560

• T0 (Sanh 等, '22): https://arxiv.org/abs/2110.08207

• Natural instructions 数据集 (Mishra 等, '22): https://arxiv.org/abs/2104.08773

• FLAN LM (Wei 等, '22): https://arxiv.org/abs/2109.01652

• OPT-IML (Iyer 等, '22): https://arxiv.org/abs/2212.12017

有监督微调 (Supervised Fine-tuning, SFT)

此步骤未为了防止遇到敏感话题时，回复【不知道】这种无意义的回答，以加入一些人工标注数据，增加回复安全性，百级别的数据集即可完成。

相关的一些论文：

• Google 的 LaMDA:附录 A https://arxiv.org/abs/2201.08239

• DeepMind 的 Sparrow: Sparrow :附录 F https://arxiv.org/abs/2209.14375

人类反馈强化学习 (Reinforcement Learning From Human Feedback，RLHF)

描述：

• 策略 (policy) ：一个接受提示并返回一系列文本 (或文本的概率分布) 的 LM。

• 行动空间 (action space) ：LM 的词表对应的所有词元 (一般在 50k 数量级) ，

• 观察空间 (observation space) 是可能的输入词元序列，也比较大 (词汇量 ^ 输入标记的数量) 。

• 奖励函数是偏好模型和策略转变约束 (Policy shift constraint) 的结合。

此过程分为两步：

1. 聚合问答数据并训练一个奖励模型 (Reward Model，RM)

2. 用强化学习 (RL) 方式微调 LM

开源数据集：

Anthropic/hh-rlhf · Datasets at Hugging Face

OpenAI 使用的是用户提交的反馈。

image-20230221111329526

其他方法

这部分简单介绍一下和chatGPT使用的微调并列的一些方法

思维链 (Chain-of-thought，CoT)

如下图所示使用一些带有逐步推理的数据集进行微调

橙色是任务描述，粉色是问题和答案，蓝色是推理过程

思维链提示 (Wei 等, '22): https://arxiv.org/abs/2201.11903

与chatGPT类似的工作

• Meta 的 BlenderBot: https://arxiv.org/abs/2208.03188

• Google 的 LaMDA: https://arxiv.org/abs/2201.08239

• DeepMind 的 Sparrow: https://arxiv.org/abs/2209.14375

• Anthropic 的 Assistant: https://arxiv.org/abs/2204.05862

文章内容来自总结：一文搞懂chatGPT原理。