Google 子公司deepmind 發(fā)布新的AI語言模型 Gopher

谷歌子公司 DeepMind 發(fā)布了 Gopher,這是一個 2800 億參數(shù)的人工智能自然語言處理 (NLP) 模型司澎∑墼担基于 Transformer 架構(gòu)并在名為 MassiveText 的 10.5TB 語料庫上進(jìn)行訓(xùn)練,Gopher 在 124 項評估任務(wù)中的 100 項中優(yōu)于當(dāng)前其它先進(jìn)的技術(shù)挤安。

作為通用 AI 研究工作的一部分谚殊,DeepMind 團隊訓(xùn)練了 Gopher 和幾個較小的模型,以探索大型語言模型 (LLM) 的優(yōu)缺點蛤铜。特別是嫩絮,研究人員確定了增加模型規(guī)模可以提高準(zhǔn)確性的任務(wù)围肥,例如閱讀理解和事實檢查剿干,以及那些不能提高準(zhǔn)確性的任務(wù),例如邏輯和數(shù)學(xué)推理穆刻。該團隊在大量 NLP 基準(zhǔn)測試中評估了 Gopher置尔,包括大規(guī)模多任務(wù)語言理解(MMLU) 和BIG-bench ,并將其性能與GPT-3等幾個基準(zhǔn)模型進(jìn)行了比較氢伟。

人工智能

我們注意到一個總體趨勢榜轿,即 Gopher 在知識密集型任務(wù)上表現(xiàn)出持續(xù)改進(jìn),但在推理密集型任務(wù)上表現(xiàn)出較少朵锣。根據(jù) DeepMind 團隊的說法谬盐,Gopher 是為 DeepMind 的語言研究奠定了基礎(chǔ),特別是在將影響這些模型的評估和部署方式的領(lǐng)域……這種方法是創(chuàng)建服務(wù)于社會的大型語言模型的關(guān)鍵猪勇,進(jìn)一步推動我們解決智能以推進(jìn)科學(xué)的使命并造福人類。

語言模型預(yù)測下一個項目或標(biāo)記 文本序列颠蕴,考慮到以前的標(biāo)記泣刹; 當(dāng)?shù)褂眠@樣的模型時,將預(yù)測輸出作為輸入反饋犀被,該模型稱為自回歸模型椅您。基于 Transformer 深度學(xué)習(xí)架構(gòu)的自回歸語言模型在許多 NLP 任務(wù)上創(chuàng)造了最先進(jìn)的性能記錄寡键,許多研究人員開發(fā)了非常大規(guī)模的模型掀泳。雖然 175B 參數(shù) GPT-3 可能是最廣為人知的,但已經(jīng)訓(xùn)練了更多參數(shù)的模型,包括 178B 參數(shù)Jurassic-1和 530B 參數(shù)Megatron-Turing NLG员舵。

收集用于訓(xùn)練此類模型的大型數(shù)據(jù)集是一項挑戰(zhàn)脑沿。幾個這樣的數(shù)據(jù)集已經(jīng)開源,例如PileC4马僻,并包含從 Wikipedia 等網(wǎng)站上抓取的文檔庄拇。DeepMind 團隊擔(dān)心,簡單地不分青紅皂白地爬網(wǎng)可能會污染他們的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集以進(jìn)行基準(zhǔn)評估韭邓,因為這些數(shù)據(jù)集在網(wǎng)絡(luò)上可用措近。為了防止這種情況,DeepMind 開發(fā)了一個數(shù)據(jù)準(zhǔn)備管道和一個名為 MassiveText 的自定義訓(xùn)練數(shù)據(jù)集女淑。從 C4瞭郑、Wikipedia、GitHub 和其他來源的內(nèi)容開始鸭你,管道過濾掉顯式內(nèi)容屈张,執(zhí)行文檔重復(fù)數(shù)據(jù)刪除,并過濾掉測試數(shù)據(jù)苇本。

DeepMind 訓(xùn)練了 6 個不同大小的模型袜茧,從 44M 參數(shù)到 280B 參數(shù)的 Gopher 模型。他們在一組 152 個任務(wù)上評估了模型瓣窄,其中 62 個來自 BIG-bench笛厦,57 個來自 MMLU,以及語言建模俺夕、閱讀理解裳凸、事實檢查秘蛇、問答和常識的基準(zhǔn)任務(wù)兴革。對于其中 124 項任務(wù)氧枣,他們將自己的表現(xiàn)與已知的最先進(jìn)的表現(xiàn)進(jìn)行了比較镰惦,Gopher 打破了 100 項的記錄形葬。該團隊還調(diào)查了他們的模型在不同規(guī)模上的表現(xiàn)迅耘,得出的結(jié)論是“[m]任何學(xué)術(shù)科目税娜,連同一般知識月洛,看到大的改進(jìn)僅來自規(guī)募”捌议,但規(guī)模對邏輯推理、常識和數(shù)學(xué)任務(wù)有“減少的好處”引有。

在 Hacker News關(guān)于 Gopher 的討論中瓣颅,一些評論者想知道它“挖掘”信息的能力是否激發(fā)了它的創(chuàng)建者給它起與前網(wǎng)絡(luò)Gopher搜索系統(tǒng)相同的名稱。其他人討論了語言模型是否應(yīng)該被視為“真正的”人工智能:

我們越接近人工智能譬正,我們就越能提高人工智能的標(biāo)準(zhǔn)(我們應(yīng)該這樣做)宫补。Gopher/GPT-3 在技術(shù)信息檢索方面已經(jīng)比普通人準(zhǔn)確得多檬姥。

Gopher 在幾個 NLP 基準(zhǔn)測試中的排名可以在 Papers with Code 網(wǎng)站上找到。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末粉怕,一起剝皮案震驚了整個濱河市健民,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌斋荞,老刑警劉巖荞雏,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異平酿,居然都是意外死亡凤优,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進(jìn)店門蜈彼,熙熙樓的掌柜王于貴愁眉苦臉地迎上來筑辨,“玉大人,你說我怎么就攤上這事幸逆」髟” “怎么了?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵还绘,是天一觀的道長楚昭。 經(jīng)常有香客問我,道長拍顷,這世上最難降的妖魔是什么抚太? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮昔案,結(jié)果婚禮上尿贫,老公的妹妹穿的比我還像新娘。我一直安慰自己踏揣,他們只是感情好庆亡,可當(dāng)我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著捞稿,像睡著了一般又谋。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上娱局,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天彰亥,我揣著相機與錄音,去河邊找鬼铃辖。 笑死剩愧,一個胖子當(dāng)著我的面吹牛猪叙,可吹牛的內(nèi)容都是我干的娇斩。 我是一名探鬼主播仁卷,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼犬第!你這毒婦竟也來了锦积?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤歉嗓,失蹤者是張志新(化名)和其女友劉穎丰介,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體鉴分,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡哮幢,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了志珍。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片橙垢。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖伦糯,靈堂內(nèi)的尸體忽然破棺而出柜某,到底是詐尸還是另有隱情,我是刑警寧澤敛纲,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布喂击,位于F島的核電站,受9級特大地震影響淤翔,放射性物質(zhì)發(fā)生泄漏翰绊。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一办铡、第九天 我趴在偏房一處隱蔽的房頂上張望辞做。 院中可真熱鬧,春花似錦寡具、人聲如沸秤茅。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽框喳。三九已至,卻和暖如春厦坛,著一層夾襖步出監(jiān)牢的瞬間五垮,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工杜秸, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留放仗,地道東北人。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓撬碟,卻偏偏與公主長得像诞挨,于是被迫代替她去往敵國和親莉撇。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容