引言

今天来介绍下牛逼的GPT-3¹，它是一个拥有1750亿参数的巨大的自回归(autoregressive)语言模型。

GPT-3简介

之前最大的语言模型是Turing NLG，它由170亿参数，而GPT-3的参数量是它的10倍。

由于它的参数量过于巨大，如果你想自己训练一个GPT-3模型，需要花费1200万美元，呵呵，这真的是炫富。

15亿的参数需要6G的硬盘来保存，175亿的参数至少需要700G！

而且GPT-3论文的页数页数冠绝群雄，它由72页！

我特地去看了一下，显示有75页。

GPT-3想要做的事情是Zero-Shot Learning(零次学习)

过去我们使用BERT的时候，我们先预训练一个模型，然后根据不同的任务，准备不同的数据对预训练的模型进行微调。所以你还是需要收集一些下游任务的数据。

而GPT-3想要做的就是拿掉微调部分，它想用来直接解决下游任务。

就像我们做题一样，我们会看到题型说明，可能还会有一些有答案的例题，然后我们需要解出剩下的试题。

而GPT系列想要做的就是类似的事情。

它由三种情形，如上图所示。以翻译为例，在Few-shot Learinng中，首先给模型看一个任务说明的句子“Translate English to French”，接下来让模型看几个例子(没有梯度下降)，然后问模型“cheese”应该翻译成什么；

而One-shot Learing和上面一样，不过只给一个例子；最牛的是Zero-shot Learing，只给说明，不给例子，直接问模型问题。

横轴是模型大小，纵轴是准确率，可以看到，随着模型越来越大，正确率也越来越高。

接下来看几个GPT-3的神奇之处，Closed Book QA的意思是，直接问训练好的GPT-3模型，比如“喜马拉雅山有多高”，但不提供关于喜马拉雅山的描述资料，让GPT-3回答问题。

上图是GPT-3的表现，可以看到，Few-Shot Learning的结果竟然超过了微调好的SOTA。

上图左边是应用于SuperGLUE任务，随着参数量越来越多，表现越来越好。右边显示在进行Few-Shot Learning时，随着给的例子越来越多，对GPT-3表现的影响。可以看到，只要给到32个，就能超过微调好的BERT Large模型。

因为GPT-3是语言模型，所以也可以用来产生文章(比如新闻)。上图的纵轴代表让人类去判断产生的新闻的真假的正确率，最小面的正确率只有50%，意味着GPT-3产生的新闻太像真的了，真实到人类无法判断到底是真的还是假的。

GPT-3还可以用来造句。

GPT-3还会做数学问题，输入“17减去14是多少”，它会回答“3”。

如果使用参数量最大的模型，可以看到，在两位数的加减法(Two Digit Addition/Subtraction)任务中，可以得到100%的正确率。

上面介绍的都是GPT-3行的地方，下面介绍一下它不太行的地方。

在NLI任务中，GPT-3的表现不太行，除了给定50个例子的Few-Shot Learing还有一丝希望。

还有一个有趣的事情是，训练这个巨大的模型时，数据通常来自于网络，而网络中的数据可能会包含下游任务的数据。作者们希望尽可能排除掉这些下游任务数据，他们看成是一个BUG，但是由于模型的花费太大了，几乎不可能重新训练。 他们把下游任务的数据分成了clean data(GPT-3在训练的时候没有看过)和dirty data(GPT-3在训练的时候已经看过了)。

然后在上图0%横向下面的点(任务)，表示看过dirty data的表现比较好，在上面的点，比较没有看到的比较好。

为了检验模型了解人类的语言到什么程度，有一个叫Turing Advice Challenge的比赛。让模型在reddit上面给人类建议。

reddit上面会有很多帖子，比如有个女生说，她处了8个月的男朋友给她准备的生日礼物是，纹了她的名字和脸在她男朋友的背上，并且在生日聚会上，他男朋友把衣服一脱，露出了他的背，让聚会上所有人都看到了。她觉得不太好，然后机器给的回复是：建议分手

让机器给出合理的建议有点难度。

总结来说，这些参数量巨大的模型，给出的建议从语法上来看没啥毛病，但是不知道在说什么。

这是有GPT-3之前，有人实验了不同模型的建议效果，哪怕是T5这个模型，也只有9%的认可率。

说明模型在应用人类语言上面还是有一些欠缺。

参考

---

1. Language Models are Few-Shot Learners ↩︎