隨著語言模型和語料庫規模的逐漸擴大，大型語言模型（LLM）展現出更多的潛力。近來一些研究表明，LLM 可以使用 in-context learning（ICL）執行一系列復雜任務，例如解決數學推理問題。

來自北京大學、上海 AI Lab 和加州大學圣巴巴拉分校的十位研究者近期發布了一篇關于 in-context learning 的綜述論文，詳細梳理了 ICL 研究的當前進展。

論文地址：?https://arxiv.org/pdf/2301.00234v1.pdf?

in-context learning 的核心思路是類比學習，下圖描述了語言模型如何使用 ICL 進行決策。

首先，ICL 需要一些樣例來形成演示語境，這些樣例通常用自然語言模板編寫。然后，ICL 將查詢問題和演示語境相聯系，形成 prompt，并且將其輸入語言模型進行預測。與監督學習需要使用反向梯度更新模型參數的訓練階段不同，ICL 不需要參數更新即可使預訓練語言模型直接執行預測任務，并且模型有望學習演示樣例中隱藏的模式，并據此做出正確的預測。

作為一種新的范式，ICL 有很多吸引人的優勢。首先，演示樣例用自然語言格式編寫，這為與大語言模型關聯提供了一個可解釋的接口。通過改變演示樣例和模板（Liu et al., 2022; Lu et al., 2022; Wu et al., 2022; Wei et al., 2022c），這種范式使將人類知識納入語言模型變得更加容易。第二，in-context learning 類似于人類通過類比學習的決策過程。第三，與監督式訓練相比，ICL 是一個無需訓練的學習框架。這不僅可以大大降低模型適應新任務的計算成本，而且還可以使語言模型即服務（LMaaS，Sun et al., 2022）成為可能，并輕松應用于大規模的現實任務。

盡管 ICL 有著大好的前景，但仍存在許多值得探究的問題，包括它的性能。例如原始的 GPT-3 模型就具備一定的 ICL 能力，但一些研究發現，通過預訓練期間的適應，這種能力還可以獲得顯著的提升。此外，ICL 的性能對特定的設置很敏銳，包括 prompt 模板、語境樣例的選擇和樣例順序等。此外，ICL 的工作機制雖然看似合理，但仍不夠清晰明了，能夠初步解釋其工作機制的研究也不多。

本篇綜述論文總結道，ICL 的強大性能依賴于兩個階段：

• 培養大型語言模型 ICL 能力的訓練階段；
• 大型語言模型根據特定任務演示進行預測的推理階段。

在訓練階段，語言模型直接按照語言建模目標進行訓練，例如從左到右的生成。盡管這些模型并沒有專門針對 in-context learning 進行優化，但 ICL 的能力依舊令人驚喜。現有的 ICL 研究基本以訓練良好的語言模型為主干。

在推理階段，由于輸入和輸出的 label 都是用可解釋的自然語言模板表征的，因此 ICL 性能可以從多個角度得到優化。該綜述論文進行了詳細的描述和比較，并選擇合適的例子進行演示，針對不同的任務設計具體的評分方法。

這篇綜述論文的大致內容和結構如下圖所示，包括：ICL 的正式定義 (§3)、warmup 方法 (§4)、prompt 設計策略 (§5) 和評分函數 (§6)。

此外，§7 深入闡述了當前為揭開 ICL 背后工作原理所做的探索。§8 進一步為 ICL 提供了有用的評估與資源，§9 介紹了能顯示出 ICL 有效性的潛在應用場景。最后，§10 總結了 ICL 領域存在的挑戰和潛在的方向，為該領域的進一步發展提供參考。

感興趣的讀者可以閱讀論文原文，了解更多研究細節。