由于可以做一些沒訓練過的事情，大型語言模型似乎具有某種魔力，也因此成為了媒體和研究員炒作和關(guān)注的焦點。

當擴展大型語言模型時，偶爾會出現(xiàn)一些較小模型沒有的新能力，這種類似于「創(chuàng)造力」的屬性被稱作「突現(xiàn)」能力，代表我們向通用人工智能邁進了一大步。

如今，來自谷歌、斯坦福、Deepmind和北卡羅來納大學的研究人員，正在探索大型語言模型中的「突現(xiàn)」能力。

解碼器提示的 DALL-E

神奇的「突現(xiàn)」能力

自然語言處理（NLP）已經(jīng)被基于大量文本數(shù)據(jù)訓練的語言模型徹底改變。擴大語言模型的規(guī)模通常會提高一系列下游NLP任務(wù)的性能和樣本效率。

在許多情況下，我們可以通過推斷較小模型的性能趨勢預測大型語言模型的性能。例如，規(guī)模對語言模型困惑的影響已被驗證跨越超過七個數(shù)量級。

然而，某些其他任務(wù)的性能卻并沒有以可預測的方式提高。

例如，GPT-3的論文表明，語言模型執(zhí)行多位數(shù)加法的能力對于從100M到13B參數(shù)的模型具有平坦的縮放曲線，近似隨機，但會在一個節(jié)點造成性能的飛升。

鑒于語言模型在NLP研究中的應(yīng)用越來越多，因此更好地理解這些可能意外出現(xiàn)的能力非常重要。

在近期發(fā)表在機器學習研究（TMLR）上的論文「大型語言模型的突現(xiàn)能力」中，研究人員展示了數(shù)十個擴展語言模型所產(chǎn)生的「突現(xiàn)」能力的例子。

這種「突現(xiàn)」能力的存在提出了一個問題，即額外的縮放是否能進一步擴大語言模型的能力范圍。

某些提示和微調(diào)方法只會在更大的模型中產(chǎn)生改進

「突現(xiàn)」提示任務(wù)

首先，我們討論在提示任務(wù)中可能出現(xiàn)的「突現(xiàn)」能力。

在此類任務(wù)中，預先訓練的語言模型會被提示執(zhí)行下一個單詞預測的任務(wù)，并通過完成響應(yīng)來執(zhí)行任務(wù)。

如果沒有任何進一步的微調(diào)，語言模型通常可以執(zhí)行訓練期間沒有看到的任務(wù)。

當任務(wù)在特定規(guī)模閾值下不可預測地從隨機性能飆升至高于隨機性能時，我們將其稱為「突現(xiàn)」任務(wù)。

下面我們展示了三個具有「突現(xiàn)」表現(xiàn)的提示任務(wù)示例：多步算術(shù)、參加大學水平的考試和識別單詞的預期含義。

在每種情況下，語言模型的表現(xiàn)都很差，對模型大小的依賴性很小，直到達到某個閾值——它們的性能驟升。

對于足夠規(guī)模的模型，這些任務(wù)的性能只會變得非隨機——例如，算術(shù)和多任務(wù)NLU任務(wù)的訓練每秒浮點運算次數(shù)（FLOP）超過10的22次方，上下文任務(wù)中單詞的訓練FLOP超過10的24次方。

「突現(xiàn)」提示策略

第二類「突現(xiàn)」能力包括增強語言模型能力的提示策略。

提示策略是用于提示的廣泛范式，可應(yīng)用于一系列不同的任務(wù)。當它們對小型模型失敗并且只能由足夠大的模型使用時，它們被認為是可「突現(xiàn)」的。

思維鏈提示是「突現(xiàn)」提示策略的一個典型示例，提示模型在給出最終答案之前生成一系列中間步驟。

思維鏈提示使語言模型能夠執(zhí)行需要復雜推理的任務(wù)，例如多步數(shù)學單詞問題。

值得一提的是，模型無需經(jīng)過明確培訓即可獲得思維鏈推理的能力，下圖則顯示了一個思維鏈提示的示例。

思維鏈提示的實證結(jié)果如下所示。

對于較小的模型，應(yīng)用思維鏈提示并不會優(yōu)于標準提示，例如當應(yīng)用于GSM8K時，這是一個具有挑戰(zhàn)性的數(shù)學文字問題基準。

然而對于大型模型，思維鏈提示在GSM8K上達到了57%的解決率，在我們的測試中性能顯著提升。

研究「突現(xiàn)」能力的意義

那么研究「突現(xiàn)」能力，又究竟有什么意義呢？

識別大型語言模型中的「突現(xiàn)」能力，是理解此類現(xiàn)象及其對未來模型能力的潛在影響的第一步。

例如，由于「突現(xiàn)」小樣本提示能力和策略沒有在預訓練中明確編碼，研究人員可能不知道當前語言模型的小樣本提示能力的全部范圍。

此外，進一步擴展是否會潛在地賦予更大的模型「突現(xiàn)」能力，這個問題同樣十分重要。

• 為什么會出現(xiàn)「突現(xiàn)」能力？
• 當某些能力出現(xiàn)時，語言模型的新現(xiàn)實世界應(yīng)用會被解鎖嗎？
• 由于計算資源昂貴，能否在不增加擴展性的情況下通過其他方法解鎖突現(xiàn)」能力（例如更好的模型架構(gòu)或訓練技術(shù)）？

研究人員表示，這些問題尚且不得而知。

不過隨著NLP領(lǐng)域的不斷發(fā)展，分析和理解語言模型的行為，包括由縮放產(chǎn)生的「突現(xiàn)」能力，是十分重要的。