贫穷让我预训练

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

一、要不要预训练

预训练的效果是直接的，需要的资源常常令人望而却步。如果存在这种预训练方法，它的启动所需算力、数据和人工资源很少，甚至只需要单人单卡的原始语料。经过无监督的数据处理，完成一次迁移到自己领域的预训练之后，就能获得零样本的nlg、nlg和向量表示推理能力，其他向量表示的召回能力超过bm25，那么你有兴趣尝试吗？

ChatGPT Writer

免费 Chrome 扩展程序，使用 ChatGPT AI 生成电子邮件和消息。

106 查看详情

要不要做一件事，需要衡量投入产出来决定。预训练是大事，需要一些前置条件和资源，也要又充足的预期收益才会实行。通常所需要的条件有：充足的语料库建设，通常来说质量比数量更难得，所以语料库的质量可以放松些，数量一定要管够；其次是具备相应的人才储备和人力预算，相较而言，小模型训练更容易，障碍更少，大模型遇到的问题会多些；最后才是算力资源，根据场景和人才搭配，丰俭由人，最好有一块大内存显卡。预训练带来的收益也很直观，迁移模型能直接带来效果提升，提升幅度跟预训练投入和领域差异直接相关，最终收益由模型提升和业务规模共同增益。

在我们的场景中，数据领域跟通用领域差异极大，甚至需要大幅度更替词表，业务规模也已经足够。如果不预训练的话，也会为每个下游任务专门微调模型。预训练的预期收益是确定的。我们的语料库质量上很烂，但是数量足够。算力资源很有限，配合相应的人才储备可弥补。此时预训练的条件都已经具备。

直接决定我们启动预训练的因素是需要维护的下游模型太多了，特别占用机器和人力资源，需要给每个任务都要准备一大堆数据训练出一个专属模型，模型治理的复杂度急剧增加。所以我们探索预训练，希望能构建统一的预训练任务，让各个下游模型都受益。我们做这件事的时候也不是一蹴而就的，需要维护的模型多也意味着模型经验多，结合之前多个项目经验，包括一些自监督学习、对比学习、多任务学习等模型，经过反复实验迭代融合成形的。

上图是传统的nlp流水线范式，基于已有的通用预训练模型，在可选的迁移预训练完成后，为每个下游任务收集数据集，微调训练，并且需要诸多人工和显卡维护多个下游模型和服务。

下图是我们提出的新范式，在迁移到我们领域继续预训练时候，使用联合语言建模任务和对比学习任务，使得产出模型具备零样本的NLU、NLG、向量表示能力，这些能力是模型化的，可以按需取用。如此需要维护的模型就少了，尤其是在项目启动时候可以直接用于调研，如果有需要再进一步微调，需要的数据量也大大降低。

二、如何预训练

这是我们的预训练模型架构，包括Transformer的编码器、解码器和向量表示头。

预训练的目标包括语言建模和对比表示，损失函数为Total Loss = LM Loss + α CL Loss，采用语言建模任务与对比表示任务联合训练，其中α表示权重系数。语言建模采用掩码模型，类似于T5，只解码掩码部分。对比表示任务类似于CLIP，在一个批次内，有一对相关训练正样本，其他未负样本，对于每一条样本对（i,I）中的i，有一个正样本I，其他样本为负样本，使用对称交叉熵损失，迫使正样本的表示相近，负样本的表示相远。采用T5方式解码可以缩短解码长度。一个非线性向量表示头加载编码器上方，一是向量表示场景中要求更快，二是两个所示函数作用远离，防止训练目标冲突。那么问题来了，完形填空的任务很常见，不需要样本，那相似性样本对是怎么来的呢？

当然，作为预训方法，样本对一定是无监督算法挖掘的。通常信息检索领域采用挖掘正样本基本方法是逆完形填空，在一篇文档中挖掘几个片段，假定他们相关。我们这里将文档拆分为句子，然后枚举句子对。我们采用最长公共子串来判定两个句子是否相关。如图取两个正负句对，最长公共子串长到一定程度判定为相似，否则不相似。阈值自取，比如长句子为三个汉字，英文字母要求多一些，短句子可以放松些。

我们采用相关性作为样本对，而不是语义等价性，是因为二者目标是冲突的。如上图所示，猫抓老鼠跟老鼠抓猫，语义相反却相关。我们的场景搜索为主，更加侧重相关性。而且相关性比语义等价性更广泛，语义等价更适合在相关性基础上继续微调。

有些句子筛选多次，有些句子没有被筛选。我们限制句子入选频次上限。对于落选句子，可以复制作为正样本，可以拼接到入选句子中，还可以用逆向完型填空作为正样本。

传统的掩码方式如SpanBert，采用几何分布采样掩码长度，短掩码概率高，长掩码概率低，适用于长句子。但我们的语料是支离破碎的，当面对一二十个字的短句子时，传统倾向掩码两个单字胜过遮蔽一个双字，这不符合我们期望。所以我们改进了这个分布，让他采样最优长度的概率最大，其他长度概率逐次降低，就像一个骆驼的驼峰，成为驼峰几何分布，在我们短句富集的场景中更加健壮。

三、实验效果

我们做了对照实验。包括GUR-FULL，用到了语言建模和向量对比表示；UR-LCS的样本对没有经过LCS筛选过滤；UR-CL没有对比表示学习，相当于传统的语言模型；GUR-LM只有向量对比表示学习，没有语言建模学习，相当于为下游任务专门微调；NLPC是百度场内的一个word2vec算子。

实验从一个T5-small开始继续预训练。训练语料包括维基百科、维基文库、CSL和我们的自有语料。我们的自有语料从物料库抓来的，质量很差，质量最佳的部分是物料库的标题。所以在其他文档中挖正样本时是近乎任意文本对筛选，而在我们语料库中是用标题匹配正文的每一个句子。GUR-LCS没有经过LCS选，如果不这样干的话，样本对太烂了，这么做的话，跟GUR-FULL差别就小多了。

我们在几个检索任务中评测模型的向量表示效果。左图是几个模型在召回中的表现，我们发现经过向量表示学习的模型表现都是最好的，胜过BM25。我们还比较了排序目标，这回BM25扳回一局。这表明密集模型的泛化能力强，稀疏模型的确定性强，二者可以互补。实际上在信息检索领域的下游任务中，密集模型和稀疏模型经常搭配使用。

上图是在不同训练样本量的NLU评测任务，每个任务有几十到几百个类别，以ACC得分评估效果。GUR模型还将分类的标签转化为向量，来为每个句子找到最近的标签。上图从左到右依据训练样本量递增分别是零样本、小样本和充足微调评测。右图是经过充足微调之后的模型表现，表明了各个子任务的本身难度，也是零样本和小样本表现的天花板。可见GUR模型可以依靠向量表示就可以在一些分类任务中实现零样本推理。并且GUR模型的小样本能力表现最突出。

这是在NLG的零样本表现。我们在做标题生成和query扩展中，挖掘优质流量的标题，将关键词保留，非关键词随机掩码，经过语言建模训练的模型表现都不错。这种自动prompt效果跟人工构造的目标效果差不多，多样性更广泛，能够满足大批量生产。经过语言建模任务的几个模型表现差不多，上图采用GUR模型样例。

四、结语

本文提出了一种新的预训练范式，上述对照实验表明了，联合训练不会造成目标冲突。GUR模型在继续预训练时，可以在保持语言建模能力的基础上，增加向量表示的能力。一次预训练，到处零原样本推理。适合业务部门低成本预训练。

上述链接记载了我们的训练细节，参考文献详见论文引用，代码版本比论文新一点。希望能给AI民主化做一点微小贡献。大小模型有各自应用场景，GUR模型除了直接用于下游任务之外，还可以结合大模型使用。我们在流水线中先用小模型识别再用大模型指令任务，大模型也可以给小模型生产样本，GUR小模型可以给大模型提供向量检索。

论文中的模型为了探索多个实验选用的小模型，实践中若选用更大模型增益明显。我们的探索还很不够，需要有进一步工作，如果有意愿的话可以联系laohur@gmail.com，期待能与大家共同进步。

以上就是贫穷让我预训练的详细内容，更多请关注其它相关文章！

# 是在  # 合肥seo公司加盟电话  # 德阳湖南网站优化推广  # 南昌网站建设官网  # 企业网站该怎么去建设呢  # 购物网站优化靠谱公司  # 江油正规网站建设电话  # 内蒙网站建设咨询  # 微推广营销案例公众号  # seo需要会什么代码呢  # 聚卓网络推广营销  # 自然语言  # 这是  # 上图  # 文档  # 多个  # 开源  # 几个  # 掩码  # 让我  # 关键词 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： Adobe旗下Illustrator引入生成式AI工具Firefly  找对了风口想不火都难，乐天派机器人，安卓机器人的最终形态？  AI生成新闻网站数量激增，正在疯狂赚取广告收入  百度举办AIGC创作沙龙，现场传授AI绘画“咒语”技巧  Yann LeCun团队新研究成果：对自监督学习逆向工程，原来聚类是这样实现的  高质量数据推动AI场景化应用快速发展及落地  石头扫拖机器人 G20 618 福利来袭：4999 元，超值配件领到手软  杀入生成式AI的亚马逊云科技，能否再次生成未来？  谷歌 Gmail“帮我写电子邮件”AI 功能开始向安卓和苹果设备推广  AI 程序 Text With Jesus 在海外迅速受到关注：与耶稣和撒旦进行对话  张朝阳与陆川谈AI：ChatGPT是鹦鹉学舌思维，不可能取代人类 | 把脉AI大模型  微软bing聊天推出AI购物工具 可进行比价并查看历史最低价  AI生成会议纪要 百度如流升级推出超级助手、智能编码等功能  人手一部「*」！视频版Midjourney免费可用，一句话秒生酷炫大片惊呆网友  美图吴欣鸿：希望更多人用上AI时代的影像生产力工具  再度重仓 AI 赛道，SaaS 巨头 Salesforce 扩大 AIGC 风投基金规模  华为即将推出HarmonyOS 4，再度领先行业的AI技术  中国移动主导创立元宇宙产业联盟，包括科大讯飞、芒果TV等在内，共24家成员  严打“黑飞”，无人机检测反制设备护航大运会净空安全  AI大模型时代，数据存储新基座助推教科研数智化跃迁  Zoom远程会议应用：AI培训需经用户授权  【首发】首款“消化内镜手术机器人”进入临床尾声，ROBO医疗获数千万元A轮融资  探索AI前沿理念 2025全球人工智能技术大会在杭州开幕  “聚智启新，‘蓉’力同行” 成都市人工智能产业融通对接会成功举办  揭秘AI数字人语录：抖音AI小和尚、老者语录能赚钱吗？  MiracleVision视觉大模型  一文看懂基础模型的定义和工作原理  洞穴探险神器？可自主导航的单旋翼自旋无人机，效率更高！  重塑未来生活的五项技术趋势  2025智源大会AI安全话题备受关注，《人机对齐》新书首发  AI+游戏首度大范围公布实际应用成果，AI全面来临还有多远？  出门问问亮相2025世界人工智能大会，展示AI CoPilot解决方案  特斯拉 Optimus 人形机器人入驻北美门店，帮助提升汽车销量  学界业界大咖探讨：AI对数字艺术创新的推动力  联想浏览器引入小乐 AI 助手，成功接入百度文心一言大模型，经过实测证实  AMD在AI方面奋起直追，与英伟达的差距缩小了吗？  借力AI！PCB全球巨头，有爆发潜质吗？  Meta Quest订阅服务每月7.99美元畅玩两款VR游戏应用  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  放弃自动驾驶，也是一种和解  腾讯自主研发机器狗 Max 升级，可“奔跑跳跃”完成避障动作  Prompt解锁语音语言模型生成能力，SpeechGen实现语音翻译、修补多项任务  午报 | 字节跳动要造机器人；东方甄选首次启动自有APP|直播|  掌阅科技入选北京市通用人工智能产业创新伙伴计划第二批成员名单  报道称亚马逊正在测试AI生成产品评价摘要  “一般智力”与工艺学批判是认识AI的重要入口 | 社会科学报  清华&中国气象局大模型登Nature：解决世界级难题，「鬼天气」预报时效首次达3小时  华为余承东表示：鸿蒙可能拥有强大的人工智能大模型能力  美图设计室2.0新增哪些功能  图灵奖得主Hinton：我已经老了，如何控制比人类更聪明的AI交给你们了