「論文」: Scaling Instruction-Finetuned Language Models
「地址」: https://arxiv.org/abs/2210.11416
「模型」: https://huggingface.co/google/flan-t5-xxl

1. Flan-T5是什么

「Flan-T5」是Google最新的一篇工作，通過在超大規(guī)模的任務(wù)上進(jìn)行微調(diào)，讓語言模型具備了極強(qiáng)的泛化性能，做到單個(gè)模型就可以在1800多個(gè)NLP任務(wù)上都能有很好的表現(xiàn)。這意味著模型一旦訓(xùn)練完畢，可以直接在幾乎全部的NLP任務(wù)上直接使用，實(shí)現(xiàn)「One model for ALL tasks」，這就非常有誘惑力！

這里的Flan指的是（Instruction finetuning），即"基于指令的微調(diào)"；T5是2019年Google發(fā)布的一個(gè)語言模型了。注意這里的語言模型可以進(jìn)行任意的替換（需要有Decoder部分，所以「不包括BERT這類純Encoder語言模型」），論文的核心貢獻(xiàn)是提出一套多任務(wù)的微調(diào)方案（Flan），來極大提升語言模型的泛化性。

例如下面文章中的例子，模型訓(xùn)練好之后，可直接讓模型做問答:

「模型輸入」是："Geoffrey Hinton和George Washington這兩個(gè)人有沒有交談過？在回答之前想一想原因?！?/p>

「模型返回」是：Geoffrey Hinton是一個(gè)計(jì)算機(jī)科學(xué)家，出生在1947年；而George Washington在1799年去世。所以這兩個(gè)不可能有過交談。所以答案時(shí)“沒有”。

2. 怎么做的

(1) 「任務(wù)收集」：工作的第一步是收集一系列監(jiān)督的數(shù)據(jù)，這里一個(gè)任務(wù)可以被定義成<數(shù)據(jù)集，任務(wù)類型的形式>，比如“基于SQuAD數(shù)據(jù)集的問題生成任務(wù)”。需要注意的是這里有9個(gè)任務(wù)是需要進(jìn)行推理的任務(wù)，即Chain-of-thought （CoT）任務(wù)。

(2) 「形式改寫」：因?yàn)樾枰脝蝹€(gè)語言模型來完成超過1800+種不同的任務(wù)，所以需要將任務(wù)都轉(zhuǎn)換成相同的“輸入格式”喂給模型訓(xùn)練，同時(shí)這些任務(wù)的輸出也需要是統(tǒng)一的“輸出格式”。

如上圖所示，根據(jù) “是否需要進(jìn)行推理 （CoT）” 以及 “是否需要提供示例（Few-shot）” 可將輸入輸出劃分成四種類型：

• chain-of-thought : and few-shot: （圖中左上）
  • 輸入：指令 + 問題
  • 輸出：答案
• chain-of-thought : and few-shot: （圖中右上）
  • 輸入：指令 + CoT引導(dǎo)（by reasoning step by step） + 問題
  • 輸出：理由 + 答案
• chain-of-thought: and few-shot: （圖中左下）
  • 輸入：指令 + 示例問題 + 示例問題回答 + 指令 + 問題
  • 輸出：答案
• chain-of-thought: and few-shot: （圖中右下）
  • 輸入：指令 + CoT引導(dǎo) + 示例問題 + 示例問題理由 + 示例問題回答 + 指令 + CoT引導(dǎo) + 問題
  • 輸出：理由 + 答案

(3) 「訓(xùn)練過程」：采用恒定的學(xué)習(xí)率以及Adafactor優(yōu)化器進(jìn)行訓(xùn)練；同時(shí)會(huì)將多個(gè)訓(xùn)練樣本“打包”成一個(gè)訓(xùn)練樣本，這些訓(xùn)練樣本直接會(huì)通過一個(gè)特殊的“結(jié)束token”進(jìn)行分割。訓(xùn)練時(shí)候在每個(gè)指定的步數(shù)會(huì)在“保留任務(wù)”上進(jìn)行模型評(píng)估，保存最佳的checkpoint。

盡管微調(diào)的任務(wù)數(shù)量很多，但是相比于語言模型本身的預(yù)訓(xùn)練過程，計(jì)算量小了非常多，只有0.2%。所以通過這個(gè)方案，大公司訓(xùn)練好的語言模型可以被再次有效的利用，我們只需要做好“微調(diào)”即可，不用重復(fù)耗費(fèi)大量計(jì)算資源再去訓(xùn)一個(gè)語言模型。

3. 一些結(jié)論

(1) 微調(diào)很重要

與不微調(diào)相比，通過基于指令的微調(diào)（flan）可以大幅度提高語言模型的效果。

(2) 模型越大效果越好

伴隨模型體積的增加(上圖左)， 尤其是指數(shù)級(jí)的增加，比如從8B->62B，再從62B->540B，不論是否微調(diào)，效果都有非常顯著的提升，而且還沒有看到收斂的信號(hào)，可能如果有了 “萬億”參數(shù)的模型，效果還能繼續(xù)提升。

(3) 任務(wù)越多效果越好

伴隨任務(wù)數(shù)量的增加(上圖右)，模型的性能也會(huì)跟著增加，但是當(dāng)任務(wù)數(shù)量超過282個(gè)之后，提升就不是很明顯了。因?yàn)槔^續(xù)增加新的任務(wù)，尤其任務(wù)形式跟之前一樣，不會(huì)給模型帶來新的知識(shí)；多任務(wù)微調(diào)的本質(zhì)是模型能夠更好的把從預(yù)訓(xùn)練學(xué)到的知識(shí)進(jìn)行表達(dá)，超過一定任務(wù)之后，繼續(xù)新增相似的任務(wù)，知識(shí)的表達(dá)能力不會(huì)繼續(xù)有很大的收益。進(jìn)一步統(tǒng)計(jì)全部微調(diào)數(shù)據(jù)集的token數(shù)，發(fā)現(xiàn)只占到了預(yù)訓(xùn)練數(shù)據(jù)token數(shù)的0.2%，這表明還是有很多的知識(shí)沒有在微調(diào)階段重新被激發(fā)。

(4) 混雜CoT相關(guān)的任務(wù)很重要

盡管在1800多個(gè)任務(wù)中只有9個(gè)需要推理再給出回答的任務(wù)（CoT任務(wù)），但是混雜了這9個(gè)任務(wù)之后對(duì)整個(gè)模型的提升很大。在針對(duì)CoT相關(guān)任務(wù)的預(yù)測(cè)上，如果在微調(diào)中混淆CoT任務(wù)能帶來明顯的提升（左圖中藍(lán)色和綠色線）；在針對(duì)非CoT相關(guān)任務(wù)的預(yù)測(cè)上，如果在微調(diào)中混淆了CoT任務(wù)也不會(huì)對(duì)模型帶來傷害（右圖中藍(lán)色和綠色線）。

(5) 整合起來

最終在多個(gè)不同尺寸的模型上進(jìn)行實(shí)驗(yàn)，都可以獲得一致性的結(jié)論：引入Flan微調(diào)方案，可以很好提高語言模型在超大規(guī)模任務(wù)上的整體效果。

總結(jié)一下，這篇工作提出了Flan的微調(diào)框架，核心有四點(diǎn)：統(tǒng)一的輸入輸出格式（4種類型），引入chain-of-thought，大幅提高任務(wù)數(shù)量，大幅提高模型體積；實(shí)現(xiàn)了用一個(gè)模型來解決超過1800種幾乎全部的NLP任務(wù)，通過較低的成本，極大發(fā)掘了現(xiàn)有語言模型的泛化性能，讓大家看到了通用模型的希望，即「One Model for ALL Tasks」。

審核編輯 ：李倩