ChatGPT技術(shù)報告

ChatGPT是一個由OpenAI開發(fā)的大型語言模型宝惰，是GPT（Generative Pretrained Transformer）系列模型的一部分。它使用了 Transformer 架構(gòu)挣饥，并在大量的文本數(shù)據(jù)上進行了預(yù)訓(xùn)練灾螃。預(yù)訓(xùn)練的目的是使模型能夠從大量的文本中學(xué)習(xí)語言知識和模式，從而在接下來的任務(wù)中更好地進行語言生成排宰。

ChatGPT 的應(yīng)用領(lǐng)域廣泛，包括聊天機器人那婉，問答系統(tǒng)板甘，文本生成，語音識別等详炬。在聊天機器人領(lǐng)域盐类，ChatGPT可以提供人類般的自然語言回答，并且在語法和語義方面的表現(xiàn)十分出色。

一在跳、GPT發(fā)展歷程

Generative Pre-trained Transformer (GPT)枪萄，是一種基于互聯(lián)網(wǎng)可用數(shù)據(jù)訓(xùn)練的文本生成深度學(xué)習(xí)模型。它用于問答猫妙、文本摘要生成瓷翻、機器翻譯、分類割坠、代碼生成和對話 AI齐帚。

1.GPT-1

2018 年，GPT-1 誕生彼哼，這一年也是 NLP（自然語言處理）的預(yù)訓(xùn)練模型元年对妄。性能方面，GPT-1 有著一定的泛化能力沪羔，能夠用于和監(jiān)督任務(wù)無關(guān)的 NLP 任務(wù)中饥伊。其常用任務(wù)包括：

l 自然語言推理：判斷兩個句子的關(guān)系（包含、矛盾蔫饰、中立）

l 問答與常識推理：輸入文章及若干答案，輸出答案的準確率

l 語義相似度識別：判斷兩個句子語義是否相關(guān)

l 分類：判斷輸入文本是指定的哪個類別

雖然 GPT-1 在未經(jīng)調(diào)試的任務(wù)上有一些效果愉豺，但其泛化能力遠低于經(jīng)過微調(diào)的有監(jiān)督任務(wù)篓吁，因此 GPT-1 只能算得上一個還算不錯的語言理解工具而非對話式 AI。

2.GPT-2

GPT-2 也于 2019 年如期而至蚪拦，不過杖剪，GPT-2 并沒有對原有的網(wǎng)絡(luò)進行過多的結(jié)構(gòu)創(chuàng)新與設(shè)計，只使用了更多的網(wǎng)絡(luò)參數(shù)與更大的數(shù)據(jù)集：最大模型共計 48 層驰贷，參數(shù)量達 15 億盛嘿，學(xué)習(xí)目標則使用無監(jiān)督預(yù)訓(xùn)練模型做有監(jiān)督任務(wù)。在性能方面括袒，除了理解能力外次兆，GPT-2 在生成方面第一次表現(xiàn)出了強大的天賦：閱讀摘要、聊天锹锰、續(xù)寫芥炭、編故事，甚至生成假新聞恃慧、釣魚郵件或在網(wǎng)上進行角色扮演通通不在話下园蝠。在“變得更大”之后，GPT-2 的確展現(xiàn)出了普適而強大的能力痢士，并在多個特定的語言建模任務(wù)上實現(xiàn)了彼時的最佳性能彪薛。

3.GPT-3

image.png

由于 GPT-3 更強的性能和明顯更多的參數(shù)棋枕，它包含了更多的主題文本，顯然優(yōu)于前代的 GPT-2 妒峦。作為目前最大的密集型神經(jīng)網(wǎng)絡(luò)重斑，GPT-3 能夠?qū)⒕W(wǎng)頁描述轉(zhuǎn)換為相應(yīng)代碼、模仿人類敘事肯骇、創(chuàng)作定制詩歌窥浪、生成游戲劇本，甚至模仿已故的各位哲學(xué)家——預(yù)測生命的真諦笛丙。且 GPT-3 不需要微調(diào)漾脂，在處理語法難題方面，它只需要一些輸出類型的樣本（少量學(xué)習(xí)）胚鸯」歉澹可以說 GPT-3 似乎已經(jīng)滿足了我們對于語言專家的一切想象。

image.png

4. ChatGPT“前身”InstructGPT

InstructGPT 的工作原理是開發(fā)人員通過結(jié)合監(jiān)督學(xué)習(xí)+從人類反饋中獲得的強化學(xué)習(xí)蠢琳。來提高 GPT-3 的輸出質(zhì)量啊终。在這種學(xué)習(xí)中，人類對模型的潛在輸出進行排序傲须；強化學(xué)習(xí)算法則對產(chǎn)生類似于高級輸出材料的模型進行獎勵蓝牲。開發(fā)人員將提示分為三個部分，并以不同的方式為每個部分創(chuàng)建響應(yīng)：人類作家會對第一組提示做出響應(yīng)泰讽。開發(fā)人員微調(diào)了一個經(jīng)過訓(xùn)練的 GPT-3 例衍，將它變成 InstructGPT 以生成每個提示的現(xiàn)有響應(yīng)昔期。

下一步是訓(xùn)練一個模型，使其對更好的響應(yīng)做出更高的獎勵佛玄。對于第二組提示硼一，經(jīng)過優(yōu)化的模型會生成多個響應(yīng)。人工評分者會對每個回復(fù)進行排名梦抢。在給出一個提示和兩個響應(yīng)后般贼，一個獎勵模型(另一個預(yù)先訓(xùn)練的 GPT-3)學(xué)會了為評分高的響應(yīng)計算更高的獎勵，為評分低的回答計算更低的獎勵奥吩。

開發(fā)人員使用第三組提示和強化學(xué)習(xí)方法近端策略優(yōu)化(Proximal Policy Optimization, PPO)進一步微調(diào)了語言模型哼蛆。給出提示后，語言模型會生成響應(yīng)霞赫，而獎勵模型會給予相應(yīng)獎勵腮介。PPO 使用獎勵來更新語言模型。

二、ChatGPT的技術(shù)原理

總體來說，Chatgpt 和 InstructGPT 一樣禁舷，是使用 RLHF（從人類反饋中強化學(xué)習(xí)）訓(xùn)練的。不同之處在于數(shù)據(jù)是如何設(shè)置用于訓(xùn)練（以及收集）的灭抑。

ChatGPT是一個大型語言模型，由OpenAI訓(xùn)練玉锌，具有高效的語言處理能力名挥。它的底層原理主要包括三個方面：Transformer架構(gòu)、自注意力機制和預(yù)訓(xùn)練主守。

(1) Transformer架構(gòu)：Transformer是一種用于處理序列數(shù)據(jù)（如文本）的神經(jīng)網(wǎng)絡(luò)架構(gòu)，是在自注意力機制的基礎(chǔ)上構(gòu)建的榄融。編碼器和解碼器是它的兩個主要組成部分参淫，分別用于處理輸入數(shù)據(jù)和生成輸出數(shù)據(jù)。

(2) 自注意力機制：自注意力機制是Transformer架構(gòu)的核心愧杯，它通過編碼輸入單元并計算每個輸入單元與每個輸出單元的相關(guān)性涎才，來實現(xiàn)對輸入數(shù)據(jù)的分析。

(3) 預(yù)訓(xùn)練：預(yù)訓(xùn)練是一個在大量文本數(shù)據(jù)上訓(xùn)練語言模型的過程力九。通過預(yù)測文本中下一個詞語的概率耍铜，模型學(xué)習(xí)語言的語法、語義和模式跌前。預(yù)訓(xùn)練后的模型可以在新的數(shù)據(jù)上獲得更好的表現(xiàn)棕兼。

ChatGPT的訓(xùn)練過程分為以下三個階段：

第一階段：訓(xùn)練監(jiān)督策略模型

GPT3.5本身很難理解人類不同類型指令中蘊含的不同意圖，也很難判斷生成內(nèi)容是否是高質(zhì)量的結(jié)果抵乓。為了讓GPT3.5初步具備理解指令的意圖伴挚，首先會在數(shù)據(jù)集中隨機抽取問題靶衍，由人類標注人員，給出高質(zhì)量答案茎芋，然后用這些人工標注好的數(shù)據(jù)來微調(diào)GPT-3.5模型（獲得SFT模型颅眶，Supervised Fine-Tuning) 。此時的SFT模型在遵循指令/對話方面已經(jīng)優(yōu)于GPT-3田弥，但不一定符合人類偏好涛酗。

第二階段：訓(xùn)練獎勵模型（Reward Mode,RM)

這個階段的主要是通過人工標注訓(xùn)練數(shù)據(jù)（約33K個數(shù)據(jù)），來訓(xùn)練回報模型偷厦。在數(shù)據(jù)集中隨機抽取問題商叹，使用第一階段生成的模型，對于每個問題沪哺，生成多個不同的回答沈自。人類標注者對這些結(jié)果綜合考慮給出排名順序。這一過程類似于教練或老師輔導(dǎo)辜妓。

接下來枯途，使用這個排序結(jié)果數(shù)據(jù)來訓(xùn)練獎勵模型。對多個排序結(jié)果籍滴，兩兩組合酪夷，形成多個訓(xùn)練數(shù)據(jù)對RM模型接受一個輸入，給出評價回答質(zhì)量的分數(shù)孽惰。這樣晚岭，對于一對訓(xùn)練數(shù)據(jù)，調(diào)節(jié)參數(shù)使得高質(zhì)量回答的打分比低質(zhì)量的打分要高勋功。

第三階段：采用PPO（Proximal Policy Optimization,近端策略優(yōu)化）強化學(xué)習(xí)來優(yōu)化策略坦报。

PPO的核心思路在于將Policy Gradient中On-policy的訓(xùn)練過程轉(zhuǎn)化為Off-policy,即將在線學(xué)習(xí)轉(zhuǎn)化為離線學(xué)習(xí)，這個轉(zhuǎn)化過程被稱之為lmportance Sampling狂鞋。這一階段利用第二階段訓(xùn)練好的獎勵模型片择，靠獎勵打分來更新預(yù)訓(xùn)練模型參數(shù)。在數(shù)據(jù)集中隨機抽取問題骚揍，使用PPO模型生成回答字管，并用上一階段訓(xùn)練好的RM模型給出質(zhì)量分數(shù)。把回報分數(shù)依次傳遞信不，由此產(chǎn)生策略梯度嘲叔，通過強化學(xué)習(xí)的方式以更新PPO模型參數(shù)。

image.png