[[423619]]

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。

谷歌研究科學(xué)家Quoc V. Le近期提出了一個(gè)1370億參數(shù)語(yǔ)言模型FLAN，探討了一種提高語(yǔ)言模型zero-shot學(xué)習(xí)能力的新方法。

研究表明，指令微調(diào)（instruction tuning）——在通過(guò)指令描述的任務(wù)集合上對(duì)語(yǔ)言模型進(jìn)行微調(diào)，可以極大地提高未見(jiàn)過(guò)的任務(wù)的零樣本場(chǎng)景下的性能

論文鏈接：https://arxiv.org/pdf/2109.01652v1.pdf

我們采用一個(gè)1370億參數(shù)量的預(yù)訓(xùn)練語(yǔ)言模型，通過(guò)自然語(yǔ)言指令模板對(duì)60多個(gè)NLP任務(wù)進(jìn)行指令微調(diào)。我們把這個(gè)模型稱為Finetuned LAnguage Net（FLAN），研究人員在未見(jiàn)過(guò)的任務(wù)類型上對(duì)這個(gè)指令微調(diào)過(guò)的模型進(jìn)行了評(píng)估。

結(jié)果表明，F(xiàn)LAN極大地提高了其未調(diào)整的對(duì)應(yīng)模型的性能，并且在我們?cè)u(píng)估的25個(gè)任務(wù)中，有19個(gè)任務(wù)超過(guò)了零樣本設(shè)定下參數(shù)為1750億的GPT-3。

在ANLI、RTE、BoolQ、AI2-ARC、OpenbookQA和StoryCloze上，F(xiàn)LAN甚至以很大的優(yōu)勢(shì)超過(guò)了小樣本GPT-3。消融研究顯示，任務(wù)數(shù)量和模型規(guī)模是指令微調(diào)成功的關(guān)鍵因素。

圖1：上面：指令微調(diào)和FLAN概述。指令微調(diào)是在以指令描述的任務(wù)集合上對(duì)預(yù)訓(xùn)練的語(yǔ)言模型進(jìn)行微調(diào)。在推理中，我們對(duì)一個(gè)未見(jiàn)過(guò)的任務(wù)類型進(jìn)行評(píng)估；例如，如果在指令微調(diào)期間沒(méi)有學(xué)習(xí)過(guò)自然語(yǔ)言推理（NLI）任務(wù)，我們可以用NLI任務(wù)對(duì)模型進(jìn)行評(píng)估。下面：與零樣本 GPT-3 和小樣本GPT-3相比，零樣本FLAN在未見(jiàn)過(guò)的任務(wù)類型上的表現(xiàn)。

1

引言

規(guī)模化的語(yǔ)言模型（LM），如GPT-3，已經(jīng)被證明可以很好地進(jìn)行few-shot學(xué)習(xí)。然而，它們?cè)趜ero-shot學(xué)習(xí)方面卻不是很成功。例如，在閱讀理解、回答問(wèn)題和自然語(yǔ)言推理等任務(wù)上，GPT-3在零樣本場(chǎng)景下的學(xué)習(xí)性能比小樣本差很多。其中一個(gè)潛在原因是：如果沒(méi)有小樣本的示范，那么在與預(yù)訓(xùn)練數(shù)據(jù)的格式不同的指示上，模型就很難取得良好的表現(xiàn)。

本文中，我們探索了一種簡(jiǎn)單的方法來(lái)提高大型語(yǔ)言模型的零樣本性能。我們利用了NLP任務(wù)可以通過(guò)自然語(yǔ)言指令來(lái)描述的直覺(jué)，比如 "這個(gè)電影評(píng)論是正面情緒的還是負(fù)面的？"或者 "把'你好嗎'翻譯成中文"。

我們采用了一個(gè)參數(shù)為1370億的預(yù)訓(xùn)練語(yǔ)言模型，并對(duì)該模型進(jìn)行指令微調(diào)——對(duì)60多個(gè)通過(guò)自然語(yǔ)言指令表達(dá)的NLP任務(wù)的集合進(jìn)行微調(diào)。我們把這個(gè)模型稱為Finetuned LAnguage Net（FLAN）。

為了評(píng)估FLAN在未見(jiàn)過(guò)的任務(wù)上的零樣本性能，我們將NLP任務(wù)根據(jù)其任務(wù)類型分為幾個(gè)群組，并對(duì)某個(gè)群組進(jìn)行評(píng)估之前，在所有其他群組上對(duì)FLAN進(jìn)行指令微調(diào)。

例如，如圖1所示，為了評(píng)估FLAN執(zhí)行自然語(yǔ)言推理的能力，我們先在一系列其他NLP任務(wù)上對(duì)模型進(jìn)行指令微調(diào)，如常識(shí)推理、翻譯和情感分析。由于這種設(shè)置確保了FLAN在指令微調(diào)中沒(méi)有學(xué)習(xí)過(guò)任何自然語(yǔ)言推理任務(wù)，因此我們可以再評(píng)估其進(jìn)行零樣本自然語(yǔ)言推理的能力。

評(píng)估表明，F(xiàn)LAN極大地提高了基礎(chǔ)1370億參數(shù)模型在零樣本場(chǎng)景下的性能。在我們?cè)u(píng)估的25個(gè)任務(wù)中的19個(gè)任務(wù)里，零樣本場(chǎng)景下的FLAN也優(yōu)于參數(shù)為1750億參數(shù)的GPT-3，甚至在一些任務(wù)上，如ANLI、RTE、BoolQ、AI2-ARC、OpenbookQA和StoryCloze，也明顯優(yōu)于小樣本GPT-3。在消融實(shí)驗(yàn)中，我們發(fā)現(xiàn)在指令微調(diào)中增加任務(wù)群的數(shù)量可以提高未學(xué)習(xí)任務(wù)的性能，而且只有在有足夠的模型規(guī)模時(shí)，指令微調(diào)的優(yōu)點(diǎn)才會(huì)顯現(xiàn)。 

我們的實(shí)證結(jié)果強(qiáng)調(diào)了語(yǔ)言模型執(zhí)行用自然語(yǔ)言指令描述的任務(wù)的能力。更為廣泛的結(jié)論是，如圖2所示，通過(guò)微調(diào)的方式進(jìn)行監(jiān)督，來(lái)提高語(yǔ)言模型對(duì)推理-時(shí)間文本交互的反應(yīng)能力，指令微調(diào)結(jié)合了預(yù)訓(xùn)練調(diào)整和prompting范式中吸引人的特點(diǎn)。

用于加載FLAN的指令微調(diào)數(shù)據(jù)集的源代碼：https://github.com/google-research/flan 

圖2：比較指令微調(diào)與預(yù)訓(xùn)練-調(diào)整和prompting的關(guān)系。

2

指令微調(diào)提高了零樣本學(xué)習(xí)的效果

進(jìn)行指令微調(diào)是為了提高語(yǔ)言模型對(duì)NLP指令的反應(yīng)能力。我們想通過(guò)監(jiān)督來(lái)指引語(yǔ)言模型執(zhí)行指令描述的任務(wù)，使其學(xué)會(huì)遵循指令，對(duì)與未見(jiàn)過(guò)的任務(wù)也是如此。為了評(píng)估模型在未見(jiàn)過(guò)的任務(wù)上的表現(xiàn)，我們按任務(wù)類型將任務(wù)進(jìn)行分組，并將每個(gè)任務(wù)組單獨(dú)進(jìn)行評(píng)估，同時(shí)對(duì)其余所有分組進(jìn)行指令微調(diào)。

2.1 任務(wù)&模板 

從零創(chuàng)建一個(gè)具有大量任務(wù)的可行的指令調(diào)整數(shù)據(jù)集需要集中大量資源。因此，我們選擇將現(xiàn)有研究創(chuàng)建的數(shù)據(jù)集轉(zhuǎn)化為指令格式。我們將Tensorflow數(shù)據(jù)集上公開(kāi)的62個(gè)文本數(shù)據(jù)集，包括語(yǔ)言理解和語(yǔ)言生成任務(wù)，匯總成一個(gè)集合。圖3展示了我們使用的所有數(shù)據(jù)集；每個(gè)數(shù)據(jù)集都被歸入十二個(gè)任務(wù)群組中的一個(gè)，每個(gè)群組中的數(shù)據(jù)集都屬于同一任務(wù)類型。

圖3：本文中使用的任務(wù)集群（藍(lán)色為NLU任務(wù)；茶色為NLG任務(wù)）。

我們將任務(wù)設(shè)定為由基于數(shù)據(jù)集轉(zhuǎn)換的一組特定的輸入-輸出對(duì)（例如，我們認(rèn)為RTE和ANLI是獨(dú)立的任務(wù)，盡管它們的涵義有交叉）。

對(duì)于每一項(xiàng)任務(wù)，我們都會(huì)把它們組成十個(gè)不同的用自然語(yǔ)言指令來(lái)描述任務(wù)的模板。這十個(gè)模板中的大部分都描述了原始任務(wù)，但為了增加多樣性，每個(gè)任務(wù)中最多包含三個(gè) "反轉(zhuǎn)任務(wù) "的模板（例如，對(duì)于情感分類，我們包括要求生成負(fù)面電影評(píng)論的模板）。

然后，我們?cè)谒腥蝿?wù)的集合上對(duì)預(yù)訓(xùn)練的語(yǔ)言模型進(jìn)行指令微調(diào)，每個(gè)任務(wù)中的例子都通過(guò)隨機(jī)選擇的指令模板進(jìn)行格式化。圖4展示了一個(gè)自然語(yǔ)言推理任務(wù)的多個(gè)指令模板。

圖4：描述一個(gè)自然語(yǔ)言推理任務(wù)的多個(gè)指令模板。

2.2 評(píng)估分割法

我們對(duì)FLAN在指令微調(diào)中沒(méi)有訓(xùn)練過(guò)的任務(wù)上的表現(xiàn)很感興趣，因此，對(duì)未見(jiàn)過(guò)的任務(wù)的定義至關(guān)重要。 

之前的一些工作通過(guò)不允許同一數(shù)據(jù)集出現(xiàn)在訓(xùn)練中來(lái)對(duì)未見(jiàn)過(guò)的任務(wù)進(jìn)行分類，而我們利用圖3中的任務(wù)集群，使用一個(gè)更為保守的定義。

在這項(xiàng)工作中，如果在指令微調(diào)期間沒(méi)有訓(xùn)練過(guò)T所屬的任何集群的任務(wù)，我們才認(rèn)為任務(wù)T在評(píng)估時(shí)是合適的。例如，如果任務(wù)T是一個(gè)文本蘊(yùn)涵任務(wù)，那么在指令微調(diào)數(shù)據(jù)集中不會(huì)出現(xiàn)文本蘊(yùn)涵任務(wù)，我們只對(duì)所有其他集群的任務(wù)進(jìn)行指令調(diào)整。 

使用這個(gè)定義，為了評(píng)估FLAN在跨越c個(gè)集群的任務(wù)上的性能，我們執(zhí)行了c個(gè)集群間分割的指令微調(diào)，在指令微調(diào)過(guò)程中，每種分割都會(huì)有不同的集群。

2.3 有選擇的分類

一個(gè)給定任務(wù)所期望的輸出空間是幾個(gè)給定類別中的一個(gè)（如分類）或自由文本（如生成）。由于FLAN是純解碼器語(yǔ)言模型的指令微調(diào)版本，它自然可以生成自由文本，因此對(duì)于期望輸出為自由文本的任務(wù)不需要再做進(jìn)一步修改。 

對(duì)于分類任務(wù)，先前Brown等人的工作使用了等級(jí)分類方法，例如，只考慮兩個(gè)輸出（"是 "和 "不是"），將概率較高的一個(gè)作為模型的預(yù)測(cè)。

雖然這個(gè)程序在邏輯上是合理的，但它并不完美，因?yàn)榇鸢傅母怕寿|(zhì)量可能有一個(gè)不理想的分布（例如，大量替代性的 "是 "的表達(dá)方式，比如“對(duì)”、“正確”，可能降低分配給 "是 "的概率質(zhì)量）。

因此，我們加入了一個(gè)選項(xiàng)后綴，即在分類任務(wù)的末尾加上OPTIONS標(biāo)記，以及該任務(wù)的輸出類別列表。這使得模型知道在響應(yīng)分類任務(wù)時(shí)需要哪些選擇。圖1中的NLI和常識(shí)性的例子顯示了選項(xiàng)的使用。 

2.4 訓(xùn)練細(xì)節(jié)

模型架構(gòu)和預(yù)訓(xùn)練。在我們的實(shí)驗(yàn)中，我們使用了一個(gè)密集的從左到右的、只有解碼器的1370億參數(shù)的Transformer語(yǔ)言模型。這個(gè)模型在網(wǎng)絡(luò)文檔（包括那些帶有計(jì)算機(jī)代碼的文檔）、對(duì)話數(shù)據(jù)和維基百科上進(jìn)行了預(yù)訓(xùn)練，使用SentencePiece庫(kù)（Kudo & Richardson, 2018）將其標(biāo)記為2.81T BPE tokens，詞匯量為32K tokens。大約10%的預(yù)訓(xùn)練數(shù)據(jù)是非英語(yǔ)的。這個(gè)數(shù)據(jù)集不像GPT-3的訓(xùn)練集那樣單一，也有對(duì)話和代碼的混合物，因此我們預(yù)計(jì)一開(kāi)始這個(gè)預(yù)訓(xùn)練的語(yǔ)言模型在NLP任務(wù)上的零樣本和小樣本性能會(huì)略低。因此，我們把這個(gè)預(yù)訓(xùn)練的模型稱為基礎(chǔ)語(yǔ)言模型（Base LM）。這個(gè)模型以前也曾被用于程序合成。

指令微調(diào)程序。FLAN是Base LM的指令微調(diào)版本。我們的指令微調(diào)管道混合了所有的數(shù)據(jù)集，并從每個(gè)數(shù)據(jù)集中隨機(jī)抽取例子。一些數(shù)據(jù)集有超過(guò)1000萬(wàn)個(gè)訓(xùn)練實(shí)例（例如翻譯），因此我們將每個(gè)數(shù)據(jù)集的訓(xùn)練實(shí)例數(shù)量限制在3萬(wàn)個(gè)。其他數(shù)據(jù)集的訓(xùn)練例子很少，為了防止這些數(shù)據(jù)集被邊緣化，我們遵循實(shí)例-比例混合方案（examples-proportional mixing scheme），混合率最大為3000。我們的微調(diào)程序中使用的輸入和目標(biāo)序列長(zhǎng)度分別為1024和256。我們使用打包的方法將多個(gè)訓(xùn)練實(shí)例合并成一個(gè)序列，并用一個(gè)特殊的序列末端標(biāo)記將輸入和目標(biāo)分開(kāi)。

表2: 閱讀理解和開(kāi)放領(lǐng)域問(wèn)題回答的結(jié)果。

表3: 常識(shí)推理和核心推理的結(jié)果（準(zhǔn)確率單位為%）。

表4：WMT'14 En/Fr、WMT'16 En/De和En/Ro的翻譯結(jié)果（BLEU）。

表5：FLAN對(duì)通過(guò)指令微調(diào)獲得的連續(xù)輸入的反應(yīng)比Base LM更好。

3

討論

本文探討了零樣本場(chǎng)景下一個(gè)簡(jiǎn)單的問(wèn)題：指令微調(diào)語(yǔ)言模型是否能提高其執(zhí)行未見(jiàn)任務(wù)的能力？我們?cè)贔LAN上的實(shí)驗(yàn)表明，指令微調(diào)提高了對(duì)未微調(diào)模型的性能，并在我們?cè)u(píng)估的大多數(shù)任務(wù)上超過(guò)了零樣本場(chǎng)景下的GPT-3。通過(guò)消融研究，我們了解到，未見(jiàn)任務(wù)的性能隨著指令調(diào)諧中使用的任務(wù)集群的數(shù)量的增加而提高，而且有趣的是，指令微調(diào)的優(yōu)點(diǎn)只有在模型規(guī)模足夠大時(shí)才會(huì)出現(xiàn)。此外，F(xiàn)LAN似乎比未修改的基礎(chǔ)模型對(duì)指令微調(diào)的反應(yīng)更好，顯示了指令微調(diào)的另一優(yōu)點(diǎn)。

我們研究中的一個(gè)局限是：對(duì)任務(wù)分組時(shí)存在一定程度的主觀性（例如，情感分析可以被看作是閱讀理解的一個(gè)小子集），因?yàn)闆](méi)有公認(rèn)的方法來(lái)處理兩個(gè)任務(wù)之間的相似性。因此，我們根據(jù)文獻(xiàn)中公認(rèn)的分類方法將任務(wù)分配到群組中，當(dāng)任務(wù)可能屬于多個(gè)群組時(shí)，我們采取了保守的方法（例如，在評(píng)估閱讀理解和常識(shí)推理時(shí)，將閱讀理解與常識(shí)推理排除在指令微調(diào)之外）。作為另一個(gè)限制，我們使用簡(jiǎn)短的指令（通常是一句話）來(lái)描述熟知的NLP任務(wù)。其他任務(wù)可能需要更長(zhǎng)或更具體的指令來(lái)充分描述，同時(shí)還要有涉及實(shí)例的解釋；我們把這些情況留給未來(lái)的研究工作。

本文顯示的結(jié)果為未來(lái)的研究提出了幾個(gè)方向。盡管FLAN在60多個(gè)數(shù)據(jù)集上進(jìn)行了指令微調(diào)，但這些數(shù)據(jù)集只覆蓋了10個(gè)任務(wù)群（加上一些雜項(xiàng)任務(wù)），考慮到這樣一個(gè)模型可以用于所有潛在的任務(wù)，因此這個(gè)數(shù)字相對(duì)較小。有可能通過(guò)更多的指令微調(diào)任務(wù)來(lái)進(jìn)一步提高性能，例如，這些任務(wù)可以以自監(jiān)督的方式生成。除了收集更多的任務(wù)，探索多語(yǔ)言環(huán)境也很有價(jià)值，例如，我們可以提出這樣的疑問(wèn)：在高資源語(yǔ)言的監(jiān)督數(shù)據(jù)上的指令調(diào)整是否會(huì)提高低資源語(yǔ)言的新任務(wù)的性能？最后，有監(jiān)督數(shù)據(jù)的指令微調(diào)模型也有可能被用來(lái)改善模型在偏見(jiàn)和公平方面的行為。