大语言模型架构设计

【大模型慢学】GPT起源以及GPT系列采用Decoder-only架构的原因探讨 - 知乎本文回顾GPT系列模型的起源论文并补充相关内容，中间主要篇幅分析讨论为何GPT系列从始至终选择采用Decoder-only架构。 本文首发于微信公众号，欢迎关注：AI推公式最近ChatGPT系列越来越火爆，不只在计算机圈内，其…https://zhuanlan.zhihu.com/p/625184011为什么现在的LLM都是Decoder only的架构？ - 知乎相比encoder-decoder架构，只使用decoder有什么好处吗？https://www.zhihu.com/question/588325646/answers/updatedGPT本质是文字接龙。

目前公认的大语言模型具有zero-shot泛化能力，但是大模型各种各样，从模型架构到预训练目标差异巨大，因此通过排列组合来做对比实验。上图就是模型架构、预训练目标、adaptation、multitask finetuning四个变量的排列组合。

训练LM的架构包括：

encoder-decoder，T5，ED。

decoder-only，GPT，主流是causal decoder，简称CD，只有前向注意力。

prefix LM：采样一段文本，然后选择一个随机点将其拆分为前缀和目标部分，前缀作为输入，目标作为输出。又叫non-causal decoder-only，简称ND，输入的前一部分是双向注意力，后一部分是单向注意力。

预训练目标：

full language modeling，FLM，完整的一段话从头到尾基于上文预测下一个token，GPT系列，和CD搭配。

prefix language modeling，PLM，一段话分成两部分，前一部分作为输入，预测后一部分，和ED，ND搭配。

masked language modeling，MLM，训练bert时的完形填空，遮盖住文本中一部分token，让模型通过上下文猜测遮盖部分的token，可以像T5一样将任务改造成text2text形式，input和target都是一段文本，可以适配ND和ED，如果将input和target拼接起来，就可以适配CD。

adaptation：

对大模型进行改造，比如T5的预训练目标是MLM，不是一个很好的生成模型，把目标改成PLM或FLM，继续训练，和微调不同，再次训练用的数据不是下游数据，而是额外的无监督文本数据。FLM预训练的CD模型，通过切换掩码变成ND模型，在通过MLM目标改造，可以用于完形填空，前者交language modeling adaptation(LM-A)，后者称为non-causal MLM adaptation(NC-A)。

multitask finetuning:

多任务微调，在一百多个已知任务的prompt数据做微调，能极大提升预训练模型在未知任务上的zero-shot能力。

结论：

1.如果大模型只做无监督预训练，CD+FLM的zero-shot效果最佳。

2.无监督预训练+multitask finetuning，ED+MLM效果最佳。

3.CD+FLM获得最佳语言模型，进过ND MLM adaptation，再通过multitask，效果最佳。

为什么只用decoder-only?

苏建林：理论上encoder的双向注意力会存在低秩，带来表达能力下降，decoder-only的attention是满秩的，encoder-decoder在某些场景更好，大概只是因为其多了一倍参数。