复习: Transformer、GPT1 https://blog.csdn.net/Citroooon/article/details/130048167?spm=1001.2014.3001.5501

GPT2

论文

gpt1 + larger dataset + more params + zero shot

gpt2在预训练模型结构上几乎没有变化，用了更大的数据集、更大的模型：
· 新的百万级数据集WebText, 比之前Bert用的book Corpus和Wikipedia要更大；
· 15亿参数的transformer解码器模型，之前Bert large是3亿+
目前语言模型的通病是泛化能力、迁移能力差，在一个数据集上训练出来的模型很难用于其他任务。所以提出了zero-shot的思想：不需要下游任务标注的任何信息来训练模型, 直接用与训练的模型对子任务做预测
什么是prompt？提示
（translate to french, english text, french text)
(answer the question, documents, questions, answer)

GPT3

技术报告

1. 模型参数：
   175 billion param
   
   随着模型参数的增加，batch size增加，学习率下降
2. 模型结构
   预训练模型结构基本不变：GPT2 + Sparse Transformer
   few shots : 给几个子任务的样本(10-100)，模拟人类的学习，但是不做梯度更新和微调，而是通过给example的方式（in-context learning)。
   
3. 数据集：
   
   线性降低损失 需要指数增加数据量
   
4. 局限性：
   长文本生成的困难：很长的文本后面可能会重复前面的话
   每一次预测下一个词重要性是均匀的
   不可解释性
   gpt是在历史训练数据中找出与问题相似的文本吗

InstructGPT(GPT3.5)

技术报告 训练语言模型以服从人类的指示

1.背景：

大语言模型的安全性 有效性还是有待提高，不能很好地和人类align(拉齐？), 会有一些toxic的回答。语言模型的loss是预测下一词的概率分布，这个与我们的目标是misalign的

2. 核心方法：
   fine-tuning with human feedback 强化学习， 人工标注了一个答案打分排名的数据集
   
   step1: SFT 有监督的微调，用人类的问题和人类写好的答案来微调GPT3 （这个在模型看来是和学习文本一样的）
   step2: RM 奖励模型，把gpt生成的答案人工标注好坏的顺序
   step3: RLPPO 让SFT生成的答案获得尽可能高的分数
   效果：instructGPT模型比GPT3小100倍，但是效果更好

3. 如何标注的数据集：略

4. 模型

SFT: 有监督的微调， 把GPT3的prompt重新训练一遍，过拟合也没关系
RM：排序问题的loss: pairwise ranking loss

K= 9 , 9 个答案，选出36个pair来计算loss
如果y_w比y_l的排序高，要最大化他们之间奖励分数的差距

RL: PPO目标函数

· prompt x 输入到${\pi }_{RL}$ 输出reward y , 最大化这个reward ，policy参数会更新
· 最小化 ${\pi }_{RL}$ 和${\pi }_{SFT}$ 的KL散度，不要让更新跑太远
· $\gamma$控制的是 模型要更偏向原始数据$D_{pretrain}$一些

5. 效果