最近，人們對大型語言模型所展示的強大能力（例如思維鏈^{[2]、便簽本[3]）產(chǎn)生了極大的興趣，并開展了許多工作。我們將之統(tǒng)稱為大模型的突現(xiàn)能力[4]，這些能力可能[5]只存在于大型模型中，而不存在于較小的模型中，因此稱為 “突現(xiàn)”。其中許多能力都非常令人印象深刻，比如復(fù)雜推理、知識推理和分布外魯棒性，我們將在后面詳細討論。}

(相關(guān)資料圖)

值得注意的是，這些能力很接近 NLP 社區(qū)幾十年來一直尋求的能力，因此代表了一種潛在的研究范式轉(zhuǎn)變，即從微調(diào)小模型到使用大模型進行上下文學(xué)習(xí)。對于先行者來說，范式轉(zhuǎn)變可能是很顯然的。然而，出于科學(xué)的嚴謹性，我們確實需要非常明確的理由來說明為什么人們應(yīng)該轉(zhuǎn)向大型語言模型，即使這些模型昂貴^[6]、難以使用^[7]，并且效果可能一般^[8]。在本文中，我們將仔細研究這些能力是什么，大型語言模型可以提供什么，以及它們在更廣泛的 NLP / ML 任務(wù)中的潛在優(yōu)勢是什么。

原文鏈接：yaofu.notion.site/A-Closer-Look-at-Large-Language-Models-Emergent-Abilities-493876b55df5479d80686f68a1abd72f

目錄

前提：我們假設(shè)讀者具備以下知識：

預(yù)訓(xùn)練、精調(diào)、提示（普通從業(yè)者應(yīng)具備的自然語言處理 / 深度學(xué)習(xí)能力）思維鏈提示、便簽本（普通從業(yè)者可能不太了解，但不影響閱讀）一、 存在于大模型而非小模型的突現(xiàn)能力

圖片來自于 Wei. et. al. 2022. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models。X 軸為模型大小。GSM8K 是是一個小學(xué)水平的數(shù)學(xué)問題集。

在以上的效果圖中，我們可以觀察到模型的表現(xiàn)：

當尺寸相對小的時候提升并不大當模型變大時有很明顯的提升

這從根本上說明，某些能力可能不存在于小模型中，而是在大模型中獲得的。

有很多種突現(xiàn)能力，比如 Wei 等人在 2022 年^[9]所梳理的。有些能力很有意思，但我們在本文不會討論，比如把一串單詞的最后一個字母拼起來，我們認為這是 Python 而不是語言模型要做的任務(wù)；或者 3 位數(shù)加法，我們認為這是計算器而不是語言模型要做的事。

在本文中，我們主要對以下能力感興趣：

1. NLP 社區(qū)近幾年都關(guān)注，但之前的 NLP 模型很難達到的能力

2. 源自于人類語言最深層的本質(zhì)的能力（能力的深度）

3. 可能達到人類智力的最高水平的能力（能力的上限）

二、 突現(xiàn)能力的三個典型例子

很多有意思的能力都可以歸到上文提到的類別里，在它們之中，我們主要討論以下三種典型能力：

復(fù)雜推理知識推理分布外魯棒性

接下來讓我們一個個詳細討論。

復(fù)雜推理

下面是一個 GSM8K 數(shù)據(jù)集中，用提示詞顯著超過精調(diào)的例子：

雖然這道題對于 10 歲的孩子來說很容易，但對語言模型來說卻很難，主要是由于數(shù)學(xué)和語言混合在一起。

GSM8K 最初由 OpenAI 于2021 年 10 月^[10]提出。當時他們用第一版^[11]GPT3 在全部訓(xùn)練集上進行了精調(diào)，準確率約為 35%。這個結(jié)果讓作者相當悲觀，因為他們的結(jié)果顯示了語言模型的縮放規(guī)律：隨著模型大小呈指數(shù)增長，性能呈線性增長（我之后會討論）。因此，他們在第 4.1 節(jié)中思考：

“175B 模型似乎需要至少額外兩個數(shù)量級的訓(xùn)練數(shù)據(jù)才能達到80% 的求解率。”

三個月后，即2022 年 1 月，Wei 等人^[12]基于540BPaLM 模型，僅使用了 8 個思維鏈提示示例便將準確率提高到 56.6%（無需將訓(xùn)練集增加兩個數(shù)量級）。之后在 2022 年 3 月，Wang 等人^[13]基于相同的 540B PaLM 模型，通過多數(shù)投票的方法將準確率提高到74.4%。當前的 SOTA 來自我自己在 AI2 的工作（Fu et. al. Nov 2022^[14]），我們通過使用復(fù)雜的思維鏈在 175B Codex 上實現(xiàn)了 82.9%的準確率。從以上進展可以看到，技術(shù)進步確實呈指數(shù)級增長。

思維鏈提示是一個展示模型隨著規(guī)模突現(xiàn)出能力的典型例子：

從突現(xiàn)能力來看：只有模型大于 100B ，才能使思維鏈的效果大于的僅有回答提示。所以這種能力只存在于大型模型中。從效果來看：思想鏈提示的性能明顯優(yōu)于其之前的精調(diào)^[15]方法。從標注效率上來看：思維鏈提示只需要 8 個示例的注釋，而微調(diào)需要完整的訓(xùn)練集。

有些同學(xué)可能會認為模型能做小學(xué)數(shù)學(xué)代表不了什么（從某種意義上說，他們確實沒有那么酷）。但 GSM8K 只是一個開始，最近的工作已經(jīng)把前沿問題推向了高中^[16]、大學(xué)^[17]，甚至是國際數(shù)學(xué)奧林匹克問題^[18]。現(xiàn)在更酷了嗎？

知識推理

下一個例子是需要知識的推理能力（例如問答和常識推理）。在這種情況下，對大型模型進行提示不一定優(yōu)于精調(diào)小型模型（哪個模型更好還有待觀察）。但是這個情況下的注釋效率被放大了，因為：

在許多數(shù)據(jù)集中，為了獲得所需的背景 / 常識知識，（以前很小的）模型需要一個外部語料庫 / 知識圖譜來檢索^[19]，或者需要通過多任務(wù)學(xué)習(xí)在增強^[20]的數(shù)據(jù)上進行訓(xùn)練對于大型語言模型，可以直接去掉檢索器^[21]，僅依賴模型的內(nèi)部知識^[22]，且無需精調(diào)

圖片來自于 Yu et. al. 2022. 以前的 SOTA 模型需要從外部知識源中檢索。GPT-3 的性能與以前的模型相當 / 優(yōu)于以前的模型，且無需檢索。

如表中所示，與數(shù)學(xué)題的例子不同，GPT-3 并沒有明顯優(yōu)于之前的精調(diào)模型。但它不需要從外部文檔中檢索，本身就包含了知識^[23]。

為了理解這些結(jié)果的重要性，我們可以回顧一下歷史：NLP 社區(qū)從一開始就面臨著如何有效編碼知識的挑戰(zhàn)。人們一直在不斷探究把知識保存在模型外部或者內(nèi)部的方法。上世紀九十年代以來，人們一直試圖將語言和世界的規(guī)則記錄到一個巨大的圖書館中，將知識存儲在模型之外。但這是十分困難的，畢竟我們無法窮舉所有規(guī)則。因此，研究人員開始構(gòu)建特定領(lǐng)域的知識庫，來存儲非結(jié)構(gòu)化文本、半結(jié)構(gòu)化（如維基百科）或完全結(jié)構(gòu)化（如知識圖譜）等形式的知識。通常，結(jié)構(gòu)化知識很難構(gòu)建（因為要設(shè)計知識的結(jié)構(gòu)體系），但易于推理（因為有體系結(jié)構(gòu)），非結(jié)構(gòu)化知識易于構(gòu)建（直接存起來就行），但很難用于推理（沒有體系結(jié)構(gòu)）。然而，語言模型提供了一種新的方法，可以輕松地從非結(jié)構(gòu)化文本中提取知識，并在不需要預(yù)定義模式的情況下有效地根據(jù)知識進行推理。下表為優(yōu)缺點對比：

分布外魯棒性

我們討論的第三種能力是分布外的魯棒性。在 2018 年至 2022 年期間，NLP、CV 和通用機器學(xué)習(xí)領(lǐng)域有大量關(guān)于分布偏移 / 對抗魯棒性 / 組合生成的研究，人們發(fā)現(xiàn)當測試集分布與訓(xùn)練分布不同時，模型的行為性能可能會顯著下降。然而，在大型語言模型的上下文學(xué)習(xí)中似乎并非如此。Si 等人^[24]在 2022 年的研究顯示：

數(shù)據(jù)來自于 Si et. al. 2022. 雖然 GPT-3 在同分布設(shè)置下比 RoBERTa 要差，但在非同分布設(shè)置下優(yōu)于 RoBERTa，性能下降明顯更小。

同樣，在此實驗中，同分布情況下基于提示詞的 GPT-3 的效果并沒有精調(diào)后的 RoBERTa 要好。但它在三個其他分布（領(lǐng)域切換、噪聲和對抗性擾動）中優(yōu)于 RoBERTa，這意味著 GPT3 更加魯棒。

此外，即使存在分布偏移，好的提示詞所帶來的泛化性能依舊會繼續(xù)保持。比如：

圖片來自于 Fu et. al. 2022. 即使測試分布與訓(xùn)練分布不同，復(fù)雜提示也始終比簡單提示的表現(xiàn)更好。

Fu 等人 2022 年^[25]的研究顯示，輸入提示越復(fù)雜，模型的性能就越好。這種趨勢在分布轉(zhuǎn)移的情況下也會繼續(xù)保持：無論測試分布與原分布不同、來自于噪聲分布，或者是從另一個分布轉(zhuǎn)移而來的，復(fù)雜提示始終優(yōu)于簡單提示。

到目前為止的總結(jié)

在上文中，我討論了只有大型模型才有的三種突現(xiàn)能力。它們是：

復(fù)雜推理，大型模型在沒有使用全部訓(xùn)練數(shù)據(jù)的情況下便顯著優(yōu)于以前的小型模型。知識推理，大型模型可能沒有小模型效果好，但大模型不需要額外的知識來源（知識可能很昂貴，或者很難從非結(jié)構(gòu)化數(shù)據(jù)中抽取）。分布外魯棒性，這是之前進行模型精調(diào)時需要努力解決的問題。大型模型雖然在同分布情況下的效果不如以前的方法，但非同分布情況下的泛化性能卻好得多。三、突現(xiàn)能力推翻比例定律

鑒于上文列出的優(yōu)點，大家可能會開始覺得大型語言模型確實很好了。在進一步討論之前，讓我們再回顧一下之前的工作，就會發(fā)現(xiàn)一個很奇怪的問題：GPT-3 在 2020 年就發(fā)布了，但為什么直到現(xiàn)在我們才發(fā)現(xiàn)并開始思考范式的轉(zhuǎn)變？

這個問題的答案就藏在兩種曲線中：對數(shù)線性曲線和相變曲線。如下圖：

左圖：比例定律。當模型大小呈指數(shù)增長時，相應(yīng)的模型性能呈線性增長。右圖：當模型尺寸達到一定規(guī)模時，會出現(xiàn)突現(xiàn)能力，讓性能急劇增加。

最初，（OpenAI）的研究者認為語言模型的性能與模型尺寸的關(guān)系可以通過對數(shù)線性曲線預(yù)測，即模型尺寸呈指數(shù)增長時，性能會隨之線性增加。這種現(xiàn)象被稱為語言模型的縮放定律，正如 Kaplan 等人在 2020 年^[26]最初^[27]的 GPT3 文章中討論的那樣。重要的是，在那個階段，即便最大的 GPT-3 在有提示的情況下也不能勝過小模型精調(diào)。所以當時并沒有必要去使用昂貴的大模型（即使提示詞的標注效率很高）。直到 2021 年，Cobbe 等人^[28]發(fā)現(xiàn)縮放定律同樣適用于精調(diào)。這是一個有點悲觀的發(fā)現(xiàn)，因為它意味著我們可能被鎖定在模型規(guī)模上—— 雖然模型架構(gòu)優(yōu)化可能會在一定程度上提高模型性能，但效果仍會被鎖定在一個區(qū)間內(nèi)（對應(yīng)模型規(guī)模），很難有更顯著的突破。

在縮放定律的掌控下（2020 年到 2021），由于 GPT-3 無法勝過精調(diào) T5-11B，同時 T5-11B 微調(diào)已經(jīng)很麻煩了，所以 NLP 社區(qū)的關(guān)注點更多的是研究更小的模型或者高效參數(shù)適應(yīng)。Prefix tuning^[29]就是提示和適應(yīng)交叉的一個例子，后來由 He 等人^[30]在 2021 統(tǒng)一。當時的邏輯很簡單：如果精調(diào)效果更好，我們就應(yīng)該在高效參數(shù)適應(yīng)上多下功夫；如果提示詞的方法更好，我們應(yīng)該在訓(xùn)練大型語言模型上投入更多精力。

之后在 2022 年 1 月，思維鏈的工作被放出來了。正如作者所展示的那樣，思維鏈提示在性能 - 比例曲線中表現(xiàn)出明顯的相變。當模型尺寸足夠大時，性能會顯著提高并明顯超越比例曲線。

當使用思維鏈進行提示時，大模型在復(fù)雜推理上的表現(xiàn)明顯優(yōu)于微調(diào)，在知識推理上的表現(xiàn)也很有競爭力，并且分布魯棒性也存在一定的潛力。要達到這樣的效果只需要 8 個左右的示例，這就是為什么范式可能會轉(zhuǎn)變（注：本文完成于 ChatGPT 上線之前的一個月；在 ChatGPT 上線之后，整個領(lǐng)域為之震撼，意識到范式已經(jīng)轉(zhuǎn)變了）。

四、 范式轉(zhuǎn)變意味著什么？

范式轉(zhuǎn)變究竟意味著什么？下面我們給出精調(diào)和提示詞方法的對比：

提示詞的好處很明顯：我們不再需要繁瑣的數(shù)據(jù)標注和在全量數(shù)據(jù)上進行精調(diào)，只需要編寫提示詞并獲得滿足要求的結(jié)果，這比精調(diào)要快很多。

另外要注意的兩點是：

上下文學(xué)習(xí)是監(jiān)督學(xué)習(xí)嗎？

坦白講，我不確定。相似之處在于，上下文學(xué)習(xí)也需要像訓(xùn)練數(shù)據(jù)一樣的示例不同之處在于，上下文學(xué)習(xí)的泛化行為并不同于監(jiān)督學(xué)習(xí)，這使得之前的泛化理論（例如 Rademancher Complexity 或 Neural Tangent Kernel）均不適用。

上下文學(xué)習(xí)真的比監(jiān)督學(xué)習(xí)效果要好嗎？

答案還未知。大多數(shù)提示詞和精調(diào)的對比都只比了 提示詞 + 大模型 vs 精調(diào) + 小模型，但公平的對比應(yīng)該是 提示詞 + 大模型 vs 精調(diào) + 大模型，且對比時的基座模型應(yīng)該一樣。所以在最初的思維鏈文章中，如果 Wei 等人要說明提示詞好于精調(diào)，他們應(yīng)該對比精調(diào)后的 PaLM，而不是 GPT3。我的假設(shè)是：精調(diào)可以提高分布內(nèi)的性能，但會損害分布外的魯棒性。提示詞在分布轉(zhuǎn)化的場景中表現(xiàn)更好，但在同分布場景下不如精調(diào)。如果假設(shè)是真的，那么一個值得研究的問題就是如何在不犧牲其上下文學(xué)習(xí)能力的情況下進行精調(diào)注意分布外精調(diào)的效果同樣會隨著模型尺寸變化。比如 Yang 等人在 2022 年的工作中，第四張表就顯示，Bart-based 的分布外泛化能力會下降，但 Bart-large 則提升。對于大模型，當測試集的分布和訓(xùn)練集相差不大時，分布內(nèi)的精調(diào)效果也應(yīng)該會提升。

再回顧一下前文提到的的邏輯：如果精調(diào)更好，我們應(yīng)該努力研究如何進行參數(shù)高效的優(yōu)化；如果提示詞更好，我們應(yīng)該努力去訓(xùn)練更好的大型語言模型。

所以，盡管我們相信大型語言模型有巨大的潛力，仍然沒有確鑿的證據(jù)表明精調(diào)和提示詞哪種方法更好，因此我們不確定范式是否真的應(yīng)該轉(zhuǎn)變、或應(yīng)該轉(zhuǎn)變到什么程度。仔細比較這兩種范式，使我們對未來有一個清晰的認識，是非常有意義的。我們將更多討論留到下一篇文章。

五、 模型應(yīng)該多大才夠？

兩個數(shù)字：62B 和 175B。

模型至少需要 62B，使思維鏈的效果才能大于標準的提示詞方法。模型至少需要 175B（GPT3 的尺寸），思維鏈的效果才能大于精調(diào)小模型（T5 11B）的效果。

62B 這個數(shù)字來自于 Chung 等人 2022 年^[31]工作的第五張表：

對于所有小于 62B 的模型，直接用提示詞都好于思維鏈。第一個用思維鏈更好的模型是 Flan-cont-PaLM 62B 在 BBH 上的結(jié)果。540B 的模型使用思維鏈會在更多任務(wù)上得到好的效果，但也不是全部任務(wù)都好于精調(diào)。另外，理想的尺寸可以小于 540B，在 Suzgun 等人 2022 年^[32]的工作中，作者展示了 175B 的 InstructGPT 和 175B 的 Codex 使用思維鏈都好于直接用提示詞。綜合以上結(jié)果，我們得到了 63B 和 175B 兩個數(shù)字。所以，如果想要參與這場游戲，首先要有一個大于平均尺寸的模型。

不過，還有其他大型模型在思維鏈下的表現(xiàn)差了很多，甚至不能學(xué)到思維鏈，比如 OPT、BLOOM 和 GPT-3 的第一個版本。他們的尺寸都是 175B。這就引出了我們下一個要討論的問題。

六、 規(guī)模是唯一的因素嗎？

不是。

規(guī)模是一個必要但不充分的因素。有些模型足夠大（比如 OPT 和 BLOOM，都是 175B），但并不能做思維鏈。

有兩種模型^[33]可以做思維鏈:

GPT3 系列的模型，包括 text-davinci-002 和 code-davinci-002 (Codex)。這是僅有的兩個具有強大突現(xiàn)能力并可公開訪問的模型。除了以上兩個模型，其他 GPT3 模型，包括原來的 GPT3，text-davinci-001，以及其他更小的 GPT-3 模型，都不能做思維鏈。當說 “能做思維鏈” 時，我們是指使用思維鏈方法的效果比直接用提示詞、精調(diào) T5-11B 效果更好。另外要注意的是，code-davinci-002 在語言任務(wù)上的性能始終優(yōu)于^[34]text-davinci-002。這個觀察非常有趣且耐人尋味。這表明基于代碼數(shù)據(jù)訓(xùn)練的語言模型可以勝過根據(jù)語言訓(xùn)練的語言模型。目前為止我們還不知道是為什么。PaLM 系列模型，包括 PaLM、U-PaLM、Flan-PaLM 和 Minerva。這些模型目前還未開放訪問（此處 @谷歌，快開源吧）。

為什么會有突現(xiàn)能力目前還不清楚，但我們找出了一下可能產(chǎn)生突現(xiàn)能力的因素：

指令精調(diào)：GPT-3 text-davinci-002 就是用指令 + 強化學(xué)習(xí)^[35]精調(diào)的產(chǎn)物。在這之前，text-davinci-001 做思維鏈的效果并不好。同時 PaLM^[36]在經(jīng)過指令精調(diào)后^[37]的效果也有提升。在代碼上精調(diào)：Codex code-davinci-002 是在代碼上進行精調(diào)的，它的效果持續(xù)好于 text-davinci-002。PaLM 也在代碼上進行了調(diào)整。從表面上看，代碼與語言關(guān)系不大，但似乎起了很大作用，我們會在之后的文章進行討論。用思維鏈精調(diào)：在 text-davinci-002 發(fā)布時，谷歌已經(jīng)發(fā)布 PaLM 3 個月了。所以 OpenAI 應(yīng)該看到了思維鏈相關(guān)的工作。還有一些工作^[38]表明，直接用思維鏈數(shù)據(jù)進行精調(diào)可以激發(fā)模型的思維鏈能力。

然而，所有這些因素在現(xiàn)階段都是推測。揭示如何訓(xùn)練才能讓模型產(chǎn)生突現(xiàn)能力是非常有意義的，我們將更多討論留到??下一篇文章??。

七、總結(jié) Conclusion

在本文中，我們仔細研究了語言模型的突現(xiàn)能力。我們強調(diào)了復(fù)雜推理、知識推理和分布外魯棒性的重要性和其中存在的機會。突現(xiàn)能力是非常令人興奮的，因為它們可以超越比例定律，并在比例曲線中表現(xiàn)出相變。我們詳細討論了研究范式是否會真的從精調(diào)轉(zhuǎn)向上下文學(xué)習(xí)，但我們目前還沒有確切答案，因為精調(diào)和上下文學(xué)習(xí)在分布內(nèi)、分布外場景下的效果仍有待對比。最后，我們討論了產(chǎn)生突現(xiàn)能力的三個潛在因素：指令精調(diào)、代碼精調(diào)和思維鏈精調(diào)。非常歡迎大家提出建議和討論。

另外我們還提到了兩個尚未討論的有趣問題：

我們是否能公平對比精調(diào)和上下文學(xué)習(xí)的效果？我們是如何訓(xùn)練大模型，才能讓模型具備突現(xiàn)能力、思維鏈能力？

對于這兩個問題，我們會在??之后的文章???中進行討論。

中英對照表

關(guān)鍵詞： 語言模型 知識推理 的情況下 比例定律