GPT-4參數(shù)將達(dá)10兆！此表格預(yù)測全新語言模型參數(shù)將是GPT-3的57倍
對于機器學(xué)習(xí)來說，參數(shù)可以算得上算法的關(guān)鍵：它們是歷史的輸入數(shù)據(jù)，經(jīng)過模型訓(xùn)練得來的結(jié)果，是模型的一部分。
一般來說，在NLP領(lǐng)域，參數(shù)數(shù)量和復(fù)雜程度之間具有正相關(guān)性。而OpenAI的GPT-3則是迄今為止最大的語言模型之一，有1750億個參數(shù)。
那么，GPT-4會是什么樣子的？
近日有網(wǎng)友就對GTP-4及其「開源版」GPT-NeoX進(jìn)行了大膽的預(yù)測。
作者認(rèn)為，GPT-4的參數(shù)或許可以達(dá)到10T，是現(xiàn)在GPT-3模型的57倍還多，而GPT-NeoX的規(guī)模則可以和GPT-3持平。
等下，如果是這樣，程序員們還能不能在GPT-NeoX上愉快地調(diào)參了？
|
模型 |
發(fā)布時間 |
Tokens |
參數(shù) |
占1.75T的百分比 |
訓(xùn)練文本 |
|
GPT-2 (OpenAI) |
Feb 2019 |
10B |
1.5B |
0.09% |
40GB |
|
GPT-J (EleutherAI) |
Jun 2021 |
400B |
6B |
0.34% |
800GB |
|
GPT-3 (OpenAI) |
May 2020 |
499B |
175B |
10.00% |
570GB |
|
PanGu (Chinese) |
Apr 2021 |
40B |
200B |
11.43% |
1.1TB |
|
HyperCLOVA (Korean) |
May 2021 |
560B |
204B |
11.66% |
1TB? |
|
Wudao 2.0 (Chinese) |
Jun 2021 |
500B? |
1.75T |
100.00% |
2.4TB |
|
LaMDA (Google) |
Jun 2021 |
1T? |
200B? |
11.43% |
1TB? |
|
GPT-4 (OpenAI) |
TBA |
20T? |
10T? |
571.43% |
5TB? |
|
GPT-NeoX (EleutherAI) |
TBA |
500B? |
175B? |
10.00% |
825GB? |
數(shù)據(jù)集分析
目前應(yīng)用最廣的GPT-3的訓(xùn)練語料庫來自于規(guī)模巨大的結(jié)構(gòu)文本。其中所有數(shù)據(jù)集都被索引，分類，過濾和加權(quán)，而且還針對重復(fù)的部分也做了大量的刪減。
專門為Openai開發(fā)并由Microsoft Azure托管的世界最強超算之一完成了對GPT-3的訓(xùn)練 。超算系統(tǒng)有超過285,000個CPU核心，超過10,000個 GPU，并且以400Gbps的速度運行。
GPT-3
Wikipedia DataSet是來自于Wikipedia的英文內(nèi)容。由于其質(zhì)量，寫作風(fēng)格和廣度，它是語言建模的高質(zhì)量文本的標(biāo)準(zhǔn)來源。
WebText數(shù)據(jù)集（以及擴展版本W(wǎng)ebText2）是來自從Reddit出站的大于4500萬個網(wǎng)頁的文本，其中相關(guān)的帖子會有兩個以上的支持率（upvotess）。
由于具有大于4.3億的月活用戶，因此數(shù)據(jù)集中的內(nèi)容可以被認(rèn)為是最 「流行 」網(wǎng)站的觀點。
Books1和Books2是兩個基于互聯(lián)網(wǎng)的書籍?dāng)?shù)據(jù)集。類似的數(shù)據(jù)集包括：
- BookCorpus，是由未發(fā)表的作者撰寫的免費小說書籍的集合，包含了至少10,000本書。
- Library Genesis (Libgen)，一個非常大的科學(xué)論文、小說和非小說類書籍的集合。
Common Crawl是一個包含了超過50億份網(wǎng)頁元數(shù)據(jù)和提取文本的開源存檔開放的數(shù)據(jù)平臺：
- 八年來PB級的數(shù)據(jù)（數(shù)以千計的TB，數(shù)以百萬計的GB）。
- 25B個網(wǎng)站。
- 數(shù)以萬億計的鏈接。
- 75%英語，3%中文，2.5%西班牙語，2.5%德語等。
- 排名前10域名的內(nèi)容：Facebook、谷歌、Twitter、Youtube、Instagram、LinkedIn。
GPT-3使用的數(shù)據(jù)集
GPT-Neo和GPT-J
今年3月，Eleuther AI在GitHub上推出了GPT-Neo開源項目，可以在Colab上進(jìn)行微調(diào)。
雖然GPT-Neo與GPT-3比，參數(shù)量仍然很小（1.3B和2.7B），但開源又免費，仍然得到了「同性好友們」的認(rèn)可。
今年6月Eleuther AI再次推出GPT-J-6B，它可以說是GPT-Neo的增強版本，顧名思義，模型的參數(shù)量增加到了6B。
GPT-J的訓(xùn)練也是基于The Pile數(shù)據(jù)庫——一個825GB的多樣化開源語言建模數(shù)據(jù)集，由22個較小的、高質(zhì)量的數(shù)據(jù)集合組成。
The Pile除了專業(yè)論壇和知識庫，如HackerNews、Github和Stack Exchange，論文預(yù)印本網(wǎng)站ArXiv以外，還包括如Youtube字幕，甚至安然郵件（Enron Emails）語料庫。
GPT-Neo和GPT-J使用的數(shù)據(jù)集
在zero-shot任務(wù)上，GPT-J性能和67億參數(shù)的GPT-3相當(dāng)，也是目前公開可用的Transformer語言模型中，在各種下游zero-shot任務(wù)上表現(xiàn)最好的。
這么看來，確實可以期待一下和GPT-3相同規(guī)模的GPT-NeoX的表現(xiàn)了。
網(wǎng)友評論
GPT-4怎么這么大？
「GPT-3已經(jīng)接近理論上每個token的最大效率了。如果OpenAI模型的工作方式是正確的，更大的模型只是對算力的浪費。」
有網(wǎng)友解答說：「規(guī)模確實可以帶來改善。因為本質(zhì)上是一種關(guān)系隱喻模型，『了解更多的關(guān)系 』意味著能夠?qū)Ω嗟氖虑榛蛞愿?xì)微的方式做出反應(yīng)。當(dāng)然，這也同時是一個營銷的方式。」
