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(jī)器學(xué)習(xí)領(lǐng)域有大量關(guān)于分布偏移/對(duì)抗魯棒性/組合生成的研究，人們發(fā)現(xiàn)當(dāng)測(cè)試集分布與訓(xùn)練分布不同時(shí)，模型的行為性能可能會(huì)顯著下降。然而，在大型語(yǔ)言模型的上下文學(xué)習(xí)中似乎并非如此。Si 等人在2022年的研究顯示 ：

數(shù)據(jù)來(lái)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(shí)驗(yàn)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(gè)其他分布（領(lǐng)域切換、噪聲和對(duì)抗性擾動(dòng)）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(lái)的泛化性能依舊會(huì)繼續(xù)保持。比如：

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

Fu 等人2022年 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(shì)在分布轉(zhuǎn)移的情況下也會(huì)繼續(xù)保持：無(wú)論測(cè)試分布與原分布不同、來(lái)自于噪聲分布，或者是從另一個(gè)分布轉(zhuǎn)移而來(lái)的，復(fù)雜提示始終優(yōu)于簡(jiǎn)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(shí)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(shí)來(lái)源（知識(shí)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(jìn)行模型精調(diào)時(shí)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。

突現(xiàn)能力推翻比例定律

鑒于上文列出的優(yōu)點(diǎn)，大家可能會(huì)開始覺得大型語(yǔ)言模型確實(shí)很好了。在進(jìn)一步討論之前，讓我們?cè)倩仡櫼幌轮暗墓ぷ鳎蜁?huì)發(fā)現(xiàn)一個(gè)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(gè)問題的答案就藏在兩種曲線中：對(duì)數(shù)線性曲線和相變曲線。如下圖：

左圖: 比例定律. 當(dāng)模型大小呈指數(shù)增長(zhǎng)時(shí)，相應(yīng)的模型性能呈線性增長(zhǎng)。右圖: 當(dāng)模型尺寸達(dá)到一定規(guī)模時(shí)，會(huì)出現(xiàn)突現(xiàn)能力，讓性能急劇增加。

最初，（OpenAI）的研究者認(rèn)為語(yǔ)言模型的性能與模型尺寸的關(guān)系可以通過對(duì)數(shù)線性曲線預(yù)測(cè)，即模型尺寸呈指數(shù)增長(zhǎng)時(shí)，性能會(huì)隨之線性增加。這種現(xiàn)象被稱為語(yǔ)言模型的縮放定律，正如 Kaplan 等人在2020年 最初的GPT3文章 中討論的那樣。

重要的是，在那個(gè)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(dāng)時(shí)并沒有必要去使用昂貴的大模型（即使提示詞的標(biāo)注效率很高）。

直到2021年，Cobbe 等人 發(fā)現(xiàn)縮放定律同樣適用于精調(diào)。這是一個(gè)有點(diǎn)悲觀的發(fā)現(xiàn)，因?yàn)樗馕吨?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(huì)在一定程度上提高模型性能，但效果仍會(huì)被鎖定在一個(gè)區(qū)間內(nèi)（對(duì)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(wú)法勝過精調(diào) T5-11B，同時(shí)T5-11B微調(diào)已經(jīng)很麻煩了，所以NLP社區(qū)的關(guān)注點(diǎn)更多的是研究更小的模型或者高效參數(shù)適應(yīng)。Prefix tuning 就是提示和適應(yīng)交叉的一個(gè)例子，后來(lái)由 He 等人在 2021 統(tǒng)一。當(dāng)時(shí)的邏輯很簡(jiǎn)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(yǔ)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(lái)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(dāng)模型尺寸足夠大時(shí)，性能會(huì)顯著提高并明顯超越比例曲線。

當(dāng)使用思維鏈進(jìn)行提示時(shí)，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(shí)推理上的表現(xiàn)也很有競(jìng)爭(zhēng)力，并且分布魯棒性也存在一定的潛力。要達(dá)到這樣的效果只需要8個(gè)左右的示例，這就是為什么范式可能會(huì)轉(zhuǎn)變的原因。

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(duì)比：

提示詞的好處很明顯：我們不再需要繁瑣的數(shù)據(jù)標(biāo)注和在全量數(shù)據(jù)上進(jìn)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(diǎn)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(duì)比都只比了 提示詞+大模型 vs 精調(diào)+小模型，但公平的對(duì)比應(yīng)該是 提示詞+大模型 vs 精調(diào)+大模型，且對(duì)比時(shí)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(shuō)明提示詞好于精調(diào)，他們應(yīng)該對(duì)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(huì)損害分布外的魯棒性。提示詞在分布變化的場(chǎng)景中表現(xiàn)更好，但在同分布場(chǎng)景下不如精調(diào)。
  • 如果假設(shè)是真的，那么一個(gè)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(jìn)行精調(diào)
  • 注意分布外精調(diào)的效果同樣會(huì)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(huì)下降，但Bart-large則提升。對(duì)于大模型，當(dāng)測(cè)試集的分布和訓(xùn)練集相差不大時(shí)，同分布的精調(diào)效果也應(yīng)該會(huì)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(jìn)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(yǔ)言模型。

所以，盡管我們相信大型語(yǔ)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(xì)比較這兩種范式，使我們對(duì)未來(lái)有一個(gè)清晰的認(rèn)識(shí)，是非常有意義的。我們將更多討論留到下一篇文章。

模型應(yīng)該多大才夠？

兩個(gè)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(biāo)準(zhǔn)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(gè)數(shù)字來(lái)自于 Chung 等人 2022 年工作的第五張表 ：

對(duì)于所有小于62B的模型，直接用提示詞都好于思維鏈 。第一個(gè)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(huì)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 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(gè)數(shù)字。所以，如果想要參與這場(chǎng)游戲，首先要有一個(gè)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(gè)版本。他們的尺寸都是175B。這就引出了我們下一個(gè)要討論的問題。

規(guī)模是唯一的因素嗎？

不是。

規(guī)模是一個(gè)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。

有兩種模型可以做思維鏈 (TODO: add discussions about UL2):

• GPT3系列的模型，包括 text-davinci-002 和 code-davinci-002 (Codex)。 這是僅有的兩個(gè)具有強(qiáng)大突現(xiàn)能力并可公開訪問的模型 。
  • 除了以上兩個(gè)模型，其他GPT3模型，包括原來(lái)的GPT3，text-davinci-001，以及其他更小的GPT-3模型，都不能做思維鏈。
  • 當(dāng)說(shuō)“能做思維鏈”時(shí)，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(yǔ)言任務(wù)上的性能始終優(yōu)于 text-davinci-002。這個(gè)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(yǔ)言模型可以勝過根據(jù)語(yǔ)言訓(xùn)練的語(yǔ)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(huì)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(qiáng)化學(xué)習(xí)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(shí)PaLM 在經(jīng)過指令精調(diào) 后的效果也有提升。
• 在代碼上精調(diào)：Codex code-davinci-002 是在代碼上進(jìn)行精調(diào)的，它的效果持續(xù)好于 text-davinci-002。PaLM 也在代碼上進(jìn)行了調(diào)整。從表面上看，代碼與語(yǔ)言關(guān)系不大，但似乎起了很大作用，我們會(huì)在之后的文章進(jìn)行討論。
• 用思維鏈精調(diào)：在 text-davinci-002 發(fā)布時(shí)，谷歌已經(jīng)發(fā)布 PaLM 3 個(gè)月了。所以 OpenAI 應(yīng)該看到了思維鏈相關(guān)的工作。還有一些工作表明，直接用思維鏈數(shù)據(jù)進(jìn)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(cè)。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[下一篇文章。

總結(jié)

在本文中，我們仔細(xì)研究了語(yǔ)言模型的突現(xiàn)能力。我們強(qiáng)調(diào)了復(fù)雜推理、知識(shí)推理和分布外魯棒性的重要性和其中存在的機(jī)會(huì)。突現(xiàn)能力是非常令人興奮的，因?yàn)樗鼈兛梢猿奖壤桑⒃诒壤€中表現(xiàn)出相變。我們?cè)敿?xì)討論了研究范式是否會(huì)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?yàn)榫{(diào)和上下文學(xué)習(xí)在分布內(nèi)、分布外場(chǎng)景下的效果仍有待對(duì)比。最后，我們討論了產(chǎn)生突現(xiàn)能力的三個(gè)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。

英文原版：https://franxyao.github.io/blog.html

作者： 符堯 ，yao.fu@ed.ac.uk，愛丁堡大學(xué) (University of Edinburgh) 博士生，本科畢業(yè)于北京大學(xué)

與 Tushar Khot ，彭昊 在艾倫人工智能研究院 (Allen Institute for AI) 共同完成英文原稿

與 李如寐 （美團(tuán)NLP中心）共同翻譯為中文

感謝 Aristo teammates , Jingfeng Yang , 和 Yi Tay 的討論與建議。