预训练对话大模型深度解读

1、背景介绍

ChatGPT爆火，大模表现的“涌现”现象，证明了大模型的这条路行得通。生成式对话大模型在Turing测试中已逐渐接近人类水平，现在ChatGPT生成的结果难免让人误以为 AI 有意识了开始人格觉醒了，一顿惊慌。前段时间看到吴军博士的一个分享：”ChatGPT不算新技术革命，带不来什么新机会“，里面讲到一个道理，这些都是资本家操作出来割大家韭菜的。其实它只是一个数学模型，它强大的原因是：用到的计算量很大、数据量很大、训练语言模型的方法比以前好。那么在这之前都有哪些机构在研究呢？我们先大概了解下生成式对话模型的发展历史。

2、生成式对话模型发展历史

目前 AI 的发展已经历三个时代：

• 基于规则时代，1966 年计算机发展之初，MIT 的教授基于规则研发了用于心理治疗的 Eliza，有点像我们的”正则表达式“；
• 智能助手时代，资本一顿狂追，成果则良莠不齐，小度、小爱，有点傻傻的”智能“；
• 深度学习时代，典型的ChatGPT。

3、模型家族介绍

3.1 DialoGPT

由微软研发的，基于GPT架构，包含三个参数量版本：117M、345M、762M。它从Reddit上抽取147M对话数据。它的特点是交互信息最大化（MMI）：

• 避免生成无意义、无信息量的内容
• 给定目标生成内容，计算生成输入的概率p(source/target)
• 使用该概率作为所有生成结果的rerank参考值。

开源地址：github.com/microsoft/D…

3.2 Meena

由谷歌研发，基于编码器-解码器的模型结构，参数量2.6B，预训练数据341GB。由于人工评价方法缺乏标准体系，它提出人工智能评价体系SSA：合理性（Sensibleness）与具体性（Specificity）的平均值（Average），它的性能显著超越DialoGPT，逼近人类水平。

论文地址：ai.googleblog.com/2020/01/tow…

3.3 CDial-GPT

由清华CoAI小组研发，基于Decoder-Only架构，参数量104M，预训练数据包含了大规模高质量中文开放域对话数据集LCCC，包含Base和Large两个版本：

• Base： 对话数680万，数据来源于7900万微博数据
• Large：1200万，数据来源于7900万微博数据及650万开源对话数据

目前人工测评结果优于原始Transformer模型和中文GPT-2模型：

• 测试数据集：STC微博数据集
• 人工评价维度：流畅度、相关性、信息量

CDial-GPT获得了中文自然语言处理会议NLPCC 2020最佳学生论文奖，收到学术界和工业界的认可。

数据集：github.com/thu-coai/CD…

论文地址：arxiv.org/abs/2008.03…

3.4 BlenderBot

由Meta AI研发，共包含3代版本：

• 第一代2020年

  • 模型信息：Encoder-Decoder，参数量2.78B及9.4B
  • 预训练数据：Reddit语料
  • 微调数据：众包语料
  • 主要能力：开放域闲聊+多技能融合，包含人格化、知识性、共情性等

• 第二代2021年

  • 模型结构和第一代相同，沿用2.7B参数量的版本
  • 新增能力：联网搜索+长时记忆（基于检索增强方法）

• 第三代（2022年）

  • 改为采用Decoder-Only结构（基于30B和175B的OPT模型）
  • 不再纯端到端生成，而是模块功能化+流水线执行（参数共享）
  • 新增能力：完成开放域任务+终生学习

项目地址：blenderbot.ai/

3.5 EVA

由清华CoAI小组研发，共包含2代版本：

• VEA1.0

  • 28亿参数
  • 在181G WDC-Dialogue上训练而成
  • 开源首个十亿级别中文对话模型

• EVA2.0

  • 28亿参数
  • 在精洗细洗的60G WDC-Dialogue上训练而成
  • 详细探索了影响对话预训练效果的关键要素
  • 目前规模大、效果最好的开源对话模型
  • 开源多规模版本模型

目前EVA在所有自动指标，人工指标上显著超越其它开源的baseline模型。

开源地址：github.com/thu-coai/EV…

3.6 PLATO

由百度研发，共包含4代版本

• 第一代PLATO（2019年）

  • 基于UniLM，参数量110M

  • 方法：

    • 引入离散隐变量建模上下文和回复一对多的关系
    • 使用角色嵌入向量区分对话中的角色

• 第三代PLATO-XL（2021年）

  • 参数量11B

  • 方法：

    • 去掉隐变量
    • 数据引入多方对话

  • 性能

    • 在连贯性、一致性、信息量、事实性、趣味性上取得优异表现

• 第四代PLATO-K（2022年）

  • 旨在解决开放域对话系统中信息量缺乏和事实不准确的问题，规模22B

  • 两阶段训练：

    • 常规对话数据训练
    • 首先生成query，基于该query搜索外部信息并加入上下文进行回复生成

  • 各项评估解决均优于PLAT-XL

  • 在知识性上有大幅提升

论文地址：arxiv.org/abs/2109.09…

3.7 LaMDA

由Google研发，基于Decoder-Only架构，参数量137B，在2.81T的token上进行了预训练。使用众包数据进行微调，主要能力包含：合理、趣味、安全的开放域闲聊，引入Toolset（TS），包括计算器、翻译器和检索器。

LaMDA: our breakthrough conversation technology

3.8 OPD

由清华CoAI小组联合聆心智能研发，基于UniLM架构，在预训练阶段引入Soft Prompt，促进下游任务上做参数高效的微调，参数量6.3B，在70GB高质量对话数据进行预训练。

主要能力包括：

• 兼顾出色的闲聊能力和知识问答能力。得益于此，OPD的多轮交互能力突出，能够与用户进行多轮、深入的对话交互，性能显著优于EVA2.0，百度PLATO和华为PANGU-BOT
• 支持根据用户反馈实时修复模型生成结果中的问题，从而在交互中不断迭代优化模型。

开源地址：github.com/thu-coai/OP…

3.9 ChatGPT

• 核心技术

  • 指令学习：构造各种任务的指令数据并用于微调模型，使模型拥有强大的任务泛化能力。

  • 基于人类反馈的强化学习（RLHF）

    • 从人类反馈中学习
    • 通过人来的偏好训练奖励模型，使用PPO算法优化策略模型（即生成模型）
    • 将模型的输出结果对齐至人类偏好

• 突出特点：

  • 遵循指令能力出色

    • 多轮交互中能很好的遵从指令，例如对于之前指令的修改、补充
    • 可以轻易的使用prompt让模型完成各种任务，例如角色对话，文字游戏

  • 对话历史建模能力突出：在多轮交互中具有很强的长程记忆能力，能够完成很早轮次指令的修改

  • 多语言能力强：支持各类主流语言，如英语、汉语、日语等，并且在英语之外的语言上没有明显的性能下降

  • 回复信息性强：倾向于生成较长的回复，回复中包含很多相关信息（可能存在幻觉）

  • 安全性好：ChatGPT的安全漏洞很少，并且还在持续优化

3.10 Character AI

是一家创业公司，不过创始人为Transformer和LaMDA的作者，估值超过10亿美元，是角色扮演类聊天机器人，主要功能包含：

• 与AI扮演的角色自由聊天
• 通过定义角色描述自由创建角色
• 通过声音、图片和橘色进行多模态交互
• 角色类型多样，包括人物、物品、工具、文字冒险游戏系统等。

突出优势体现为：

• 角色属性多样，泛化性强
• 用户反馈系统和用户社区建设完善

技术路线主要采用大模型+提示，并且外接了文生图模块。

产品地址：beta.character.ai/

4、总结

本文介绍了十款模型家族的模型，从中我们可以看到大模型确实不是新技术，但是ChatGPT做的更好，引入了反馈机制。整体而言整个大模型的发展模型架构都区域统一，参数规模持续增长。目前还有一些量化技术支持将大模型离线部署到手机、电脑等，除了受限于CPU算力，推理慢，生成结果效果已经很不错。