本文作者，符堯?yao.fu@ed.ac.uk，愛丁堡大學(xué) (University of Edinburgh) 博士生，本科畢業(yè)于北京大學(xué)，與彭昊，Tushar Khot?在艾倫人工智能研究院 (Allen Institute for AI) 共同完成英文原稿，與劍橋大學(xué)郭志江共同翻譯為中文，感謝上海交通大學(xué)何俊賢，加州大學(xué)洛杉磯分校魯盼，達(dá)特茅斯學(xué)院劉睿博對(duì)初稿的討論與建議。感謝?Raj Ammanabrolu?(Allen Institute for AI),?Peter Liu?(Google Brain),?Brendan Dolan-Gavitt?(New York University),?Denny Zhou?(Google Brain) 對(duì)終稿的討論和建議，他們的建議極大程度上增加了本文的完整度。英文版原文：https://franxyao.github.io/blog.html
最近，OpenAI的預(yù)訓(xùn)練模型ChatGPT給人工智能領(lǐng)域的研究人員留下了深刻的印象和啟發(fā)。毫無疑問，它又強(qiáng)又聰明，且跟它說話很好玩，還會(huì)寫代碼。它在多個(gè)方面的能力遠(yuǎn)遠(yuǎn)超過了自然語言處理研究者們的預(yù)期。
(相關(guān)資料圖)
于是，我們自然就有一個(gè)問題：ChatGPT 是怎么變得這么強(qiáng)的？它的各種強(qiáng)大的能力到底從何而來？ 在這篇文章中，我們?cè)噲D剖析 ChatGPT 的突現(xiàn)能力（Emergent Ability），追溯這些能力的來源，希望能夠給出一個(gè)全面的技術(shù)路線圖，來說明 GPT-3.5 模型系列以及相關(guān)的大型語言模型是如何一步步進(jìn)化成目前的強(qiáng)大形態(tài)。
我們希望這篇文章能夠促進(jìn)大型語言模型的透明度，成為開源社區(qū)共同努力復(fù)現(xiàn) GPT-3.5 的路線圖。
致國內(nèi)的同胞們：
在國際學(xué)術(shù)界看來，ChatGPT / GPT-3.5 是一種劃時(shí)代的產(chǎn)物，它與之前常見的語言模型 (Bert/ Bart/T5) 的區(qū)別，幾乎是導(dǎo)彈與弓箭的區(qū)別，一定要引起最高程度的重視。
在我跟國際同行的交流中，國際上的主流學(xué)術(shù)機(jī)構(gòu) (如斯坦福大學(xué)，伯克利加州大學(xué)) 和主流業(yè)界研究院（如谷歌大腦，微軟研究院）都已經(jīng)全面擁抱大模型。
在當(dāng)前這個(gè)階段，國內(nèi)的技術(shù)水準(zhǔn)、學(xué)術(shù)視野、治學(xué)理念和國際前沿的差距似乎并沒有減少，反而正在擴(kuò)大，如果現(xiàn)狀持續(xù)下去，極有可能出現(xiàn)技術(shù)斷代。
此誠危急存亡之秋。
1
2020版初代GPT-3與大規(guī)模預(yù)訓(xùn)練
初代GPT-3展示了三個(gè)重要能力：
語言生成：遵循提示詞（prompt），然后生成補(bǔ)全提示詞的句子 (completion)。這也是今天人類與語言模型最普遍的交互方式。
上下文學(xué)習(xí) (in-context learning): 遵循給定任務(wù)的幾個(gè)示例，然后為新的測(cè)試用例生成解決方案。很重要的一點(diǎn)是，GPT-3雖然是個(gè)語言模型，但它的論文幾乎沒有談到“語言建模” (language modeling) —— 作者將他們?nèi)康膶懽骶Χ纪度氲搅藢?duì)上下文學(xué)習(xí)的愿景上，這才是 GPT-3的真正重點(diǎn)。
世界知識(shí) (world knowledge)：包括事實(shí)性知識(shí) (factual knowledge) 和常識(shí) (commonsense)。
那么這些能力從何而來呢？
基本上，以上三種能力都來自于大規(guī)模預(yù)訓(xùn)練：在有3000億單詞的語料上預(yù)訓(xùn)練擁有1750億參數(shù)的模型（ 訓(xùn)練語料的60%來自于 2016 - 2019 的 C4 + 22% 來自于 WebText2 + 16% 來自于Books + 3%來自于Wikipedia）。其中： ?
語言生成的能力來自于語言建模的訓(xùn)練目標(biāo)(language modeling)。
世界知識(shí)來自 3000 億單詞的訓(xùn)練語料庫（不然還能是哪兒呢）。
模型的 1750 億參數(shù)是為了存儲(chǔ)知識(shí)，Liang et al. (2022) 的文章進(jìn)一步證明了這一點(diǎn)。他們的結(jié)論是，知識(shí)密集型任務(wù)的性能與模型大小息息相關(guān)（https://crfm.stanford.edu/helm/v1.0/?group=knowledge）。
上下文學(xué)習(xí)的能力來源及為什么上下文學(xué)習(xí)可以泛化，仍然難以溯源。直覺上，這種能力可能來自于同一個(gè)任務(wù)的數(shù)據(jù)點(diǎn)在訓(xùn)練時(shí)按順序排列在同一個(gè) batch 中。然而，很少有人研究為什么語言模型預(yù)訓(xùn)練會(huì)促使上下文學(xué)習(xí)，以及為什么上下文學(xué)習(xí)的行為與微調(diào) (fine-tuning) 如此不同。
令人好奇的是，初代的GPT-3有多強(qiáng)。?
其實(shí)比較難確定初代 GPT-3（在 OpenAI API 中被稱為davinci）到底是“強(qiáng)”還是“弱”。一方面，它合理地回應(yīng)了某些特定的查詢，并在許多數(shù)據(jù)集中達(dá)到了還不錯(cuò)的性能；另一方面，它在許多任務(wù)上的表現(xiàn)還不如 T5 這樣的小模型（參見其原始論文）。 在今天（2022 年 12 月）ChatGPT 的標(biāo)準(zhǔn)下，很難說初代的 GPT-3 是“智能的”。Meta 開源的 OPT 模型試圖復(fù)現(xiàn)初代 GPT-3，但它的能力與當(dāng)今的標(biāo)準(zhǔn)也形成了尖銳的對(duì)比。許多測(cè)試過 OPT 的人也認(rèn)為與現(xiàn)在的text-davinci-002相比，該模型確實(shí) “不咋地”。盡管如此，OPT 可能是初代 GPT-3 的一個(gè)足夠好的開源的近似模型了（根據(jù) OPT 論文和斯坦福大學(xué)的 HELM 評(píng)估）。
雖然初代的 GPT-3 可能表面上看起來很弱，但后來的實(shí)驗(yàn)證明，初代 GPT-3 有著非常強(qiáng)的潛力。這些潛力后來被代碼訓(xùn)練、指令微調(diào) (instruction tuning) 和基于人類反饋的強(qiáng)化學(xué)習(xí) (reinforcement learning with human feedback, RLHF) 解鎖，最終體展示出極為強(qiáng)大的突現(xiàn)能力。
2
從2020版GPT-3到2022版ChatGPT?
從最初的 GPT-3 開始，為了展示 OpenAI 是如何發(fā)展到ChatGPT的，我們看一下 GPT-3.5 的進(jìn)化樹：
2020 年 7 月，OpenAI 發(fā)布了模型索引為的?davinci?的初代 GPT-3 論文（Brown. et. al. 2020. Language Models are Few-Shot Learners），從此它就開始不斷進(jìn)化。2021 年 7 月，Codex 的論文（Chen et. al. 2021. Evaluating Large Language Models Trained on Code）發(fā)布，其中初始的 Codex 是根據(jù)（可能是內(nèi)部的）120 億參數(shù)的 GPT-3 變體進(jìn)行微調(diào)的。后來這個(gè) 120 億參數(shù)的模型演變成 OpenAI API 中的code-cushman-001。在 2022 年 3 月，OpenAI 發(fā)布了指令微調(diào) (instruction tuning)（Ouyang et. al. 2022. Training language models to follow instructions with human feedback） 的論文，其監(jiān)督微調(diào) (supervised instruction tuning) 的部分對(duì)應(yīng)了davinci-instruct-beta和text-davinci-001。2022 年 4 月至 7 月，OpenAI 開始對(duì)code-davinci-002模型進(jìn)行 Beta 測(cè)試，也稱其為 Codex。然后code-davinci-002、text-davinci-003和ChatGPT 都是從code-davinci-002進(jìn)行指令微調(diào)得到的。詳細(xì)信息請(qǐng)參閱 OpenAI的模型索引文檔（https://beta.openai.com/docs/model-index-for-researchers）。
盡管 Codex 聽著像是一個(gè)只管代碼的模型，但code-davinci-002可能是最強(qiáng)大的針對(duì)自然語言的GPT-3.5 變體（優(yōu)于 text-davinci-002和?-003）。code-davinci-002很可能在文本和代碼上都經(jīng)過訓(xùn)練，然后根據(jù)指令進(jìn)行調(diào)整（將在下面解釋）。2022 年 5-6 月發(fā)布的text-davinci-002是一個(gè)基于code-davinci-002的有監(jiān)督指令微調(diào) (supervised instruction tuned) 模型。在text-davinci-002上面進(jìn)行指令微調(diào)很可能降低了模型的上下文學(xué)習(xí)能力，但是增強(qiáng)了模型的零樣本能力（將在下面解釋）。 然后是text-davinci-003和 ChatGPT，它們都在?2022 年 11 月發(fā)布，是使用的基于人類反饋的強(qiáng)化學(xué)習(xí)的版本指令微調(diào) (instruction tuning with reinforcement learning from human feedback) 模型的兩種不同變體。text-davinci-003 恢復(fù)了（但仍然比code-davinci-002差）一些在text-davinci-002 中丟失的部分上下文學(xué)習(xí)能力（大概是因?yàn)樗谖⒄{(diào)的時(shí)候混入了語言建模） 并進(jìn)一步改進(jìn)了零樣本能力（得益于RLHF）。另一方面，ChatGPT 似乎犧牲了幾乎所有的上下文學(xué)習(xí)的能力來換取建模對(duì)話歷史的能力。
總的來說，在 2020 - 2021 年期間，在code-davinci-002之前，OpenAI 已經(jīng)投入了大量的精力通過代碼訓(xùn)練和指令微調(diào)來增強(qiáng)GPT-3。當(dāng)他們完成code-davinci-002時(shí)，所有的能力都已經(jīng)存在了。很可能后續(xù)的指令微調(diào)，無論是通過有監(jiān)督的版本還是強(qiáng)化學(xué)習(xí)的版本，都會(huì)做以下事情（稍后會(huì)詳細(xì)說明）：
指令微調(diào)不會(huì)為模型注入新的能力—— 所有的能力都已經(jīng)存在了。指令微調(diào)的作用是解鎖 / 激發(fā)這些能力。這主要是因?yàn)橹噶钗⒄{(diào)的數(shù)據(jù)量比預(yù)訓(xùn)練數(shù)據(jù)量少幾個(gè)數(shù)量級(jí)（基礎(chǔ)的能力是通過預(yù)訓(xùn)練注入的）。
指令微調(diào)將 GPT-3.5 的分化到不同的技能樹。有些更擅長上下文學(xué)習(xí)，如text-davinci-003，有些更擅長對(duì)話，如ChatGPT。
指令微調(diào)通過犧牲性能換取與人類的對(duì)齊（alignment）。OpenAI 的作者在他們的指令微調(diào)論文（Ouyang et. al. 2022. Training language models to follow instructions with human feedback）中稱其為 “對(duì)齊稅” (alignment tax)。許多論文（比如：Suzgun et. al. 2022. Challenging BIG-Bench tasks and whether chain-of-thought can solve them/Chung et. al. 2022. Scaling Instruction-Finetuned Language Models等）都報(bào)道了code-davinci-002在基準(zhǔn)測(cè)試中實(shí)現(xiàn)了最佳性能（但模型不一定符合人類期望）。在code-davinci-002上進(jìn)行指令微調(diào)后，模型可以生成更加符合人類期待的反饋（或者說模型與人類對(duì)齊），例如：零樣本問答、生成安全和公正的對(duì)話回復(fù)、拒絕超出模型它知識(shí)范圍的問題。 ?
3
Code-Davinci-002和Text-Davinci-002在代碼上訓(xùn)練，在指令上微調(diào)
在code-davinci-002和text-davinci-002之前，有兩個(gè)中間模型，分別是 davinci-instruct-beta 和 text-davinci-001。兩者在很多方面都比上述的兩個(gè)-002模型差（例如，text-davinci-001 鏈?zhǔn)剿季S推理能力不強(qiáng)（參見附錄中的圖8 https://arxiv.org/pdf/2201.11903v1.pdf））。所以我們?cè)诒竟?jié)中重點(diǎn)介紹 -002 型號(hào)。
3.1 復(fù)雜推理能力的來源和泛化到新任務(wù)的能力
我們關(guān)注code-davinci-002和text-davinci-002，這兩兄弟是第一版的 GPT3.5 模型，一個(gè)用于代碼，另一個(gè)用于文本。它們表現(xiàn)出了三種重要能力與初代 GPT-3 不同的能力：
響應(yīng)人類指令：以前，GPT-3 的輸出主要訓(xùn)練集中常見的句子?，F(xiàn)在的模型會(huì)針對(duì)指令 / 提示詞生成更合理的答案（而不是相關(guān)但無用的句子）。
泛化到?jīng)]有見過的任務(wù)：當(dāng)用于調(diào)整模型的指令數(shù)量超過一定的規(guī)模時(shí)，模型就可以自動(dòng)在從沒見過的新指令上也能生成有效的回答。?這種能力對(duì)于上線部署至關(guān)重要，因?yàn)橛脩艨倳?huì)提新的問題，模型得答得出來才行。
代碼生成和代碼理解：這個(gè)能力很顯然，因?yàn)槟Ｐ陀么a訓(xùn)練過。
利用思維鏈 (chain-of-thought) 進(jìn)行復(fù)雜推理：初代 GPT3 的模型思維鏈推理的能力很弱甚至沒有。?code-davinci-002 和 text-davinci-002 是兩個(gè)擁有足夠強(qiáng)的思維鏈推理能力的模型。
思維鏈推理之所以重要，是因?yàn)樗季S鏈可能是解鎖突現(xiàn)能力和超越縮放法則 (scaling laws) 的關(guān)鍵。請(qǐng)參閱上一篇博文（https://yaofu.notion.site/A-Closer-Look-at-Large-Language-Models-Emergent-Abilities-493876b55df5479d80686f68a1abd72f）。
這些能力從何而來？
與之前的模型相比，兩個(gè)主要區(qū)別是指令微調(diào)和代碼訓(xùn)練。具體來說：
能夠響應(yīng)人類指令的能力是指令微調(diào)的直接產(chǎn)物。
對(duì)沒有見過的指令做出反饋的泛化能力是在指令數(shù)量超過一定程度之后自動(dòng)出現(xiàn)的，T0（Sanh. et. al. Oct 2021. Multitask Prompted Training Enables Zero-Shot Task Generalization）、Flan（Wei et. al. Sep 2021. Finetuned Language Models Are Zero-Shot Learners） 和 FlanPaLM（Chung et. al. Oct 2022. Scaling Instruction-Finetuned Language Models）論文進(jìn)一步證明了這一點(diǎn)。
使用思維鏈進(jìn)行復(fù)雜推理的能力很可能是代碼訓(xùn)練的一個(gè)神奇的副產(chǎn)物。對(duì)此，我們有以下的事實(shí)作為一些支持： ?
最初的 GPT-3 沒有接受過代碼訓(xùn)練，它不能做思維鏈。
text-davinci-001 模型，雖然經(jīng)過了指令微調(diào)，但第一版思維鏈論文（第一個(gè)版本(https://arxiv.org/pdf/2201.11903v1.pdf) 報(bào)告了davinci在GSM8K上的準(zhǔn)確率 12.4 v.s. 第五個(gè)版本 (https://arxiv.org/pdf/2201.11903v5.pdf) 報(bào)告了 code-davinci-002 準(zhǔn)確率為 63.1）報(bào)告說，它的它思維鏈推理的能力非常弱 ——?所以指令微調(diào)可能不是思維鏈存在的原因，代碼訓(xùn)練才是模型能做思維鏈推理的最可能原因。
PaLM（Chowdhery et. al. Apr. 2022. PaLM: Scaling Language Modeling with Pathways） 有 5% 的代碼訓(xùn)練數(shù)據(jù)，可以做思維鏈。
Codex論文（Chen et. al. Jul 2021. Evaluating Large Language Models Trained on Code）中的代碼數(shù)據(jù)量為 159G ，大約是初代 GPT-3 5700 億訓(xùn)練數(shù)據(jù)的28%。code-davinci-002 及其后續(xù)變體可以做思維鏈推理。
在 HELM 測(cè)試中，Liang et al. (2022) （Liang et. al. Nov 2022. Holistic Evaluation of Language Models）對(duì)不同模型進(jìn)行了大規(guī)模評(píng)估。他們發(fā)現(xiàn)了針對(duì)代碼訓(xùn)練的模型具有很強(qiáng)的語言推理能力，包括 120億參數(shù)的code-cushman-001.。
我們?cè)?AI2 的工作（Fu et. al. Oct 2022. Complexity-based Prompting for Multi-Step Reasoning. https://openreview.net/forum?id=yf1icZHC-l9）也表明，當(dāng)配備復(fù)雜的思維鏈時(shí)，code-davinci-002 在 GSM8K 等重要數(shù)學(xué)基準(zhǔn)上是目前表現(xiàn)最好的模型
直覺來說，面向過程的編程 (procedure-oriented programming)?跟人類逐步解決任務(wù)的過程很類似，面向?qū)ο缶幊?(object-oriented programming)跟人類將復(fù)雜任務(wù)分解為多個(gè)簡(jiǎn)單任務(wù)的過程很類似
以上所有觀察結(jié)果都是代碼與推理能力 / 思維鏈之間的相關(guān)性。代碼和推理能力 / 思維鏈之間的這種相關(guān)性對(duì)研究社區(qū)來說是一個(gè)非常有趣的問題，但目前仍未得到很好的理解。然而，仍然沒有確鑿的證據(jù)表明代碼訓(xùn)練就是CoT和復(fù)雜推理的原因。?思維鏈的來源仍然是一個(gè)開放性的研究問題。
此外，?代碼訓(xùn)練另一個(gè)可能的副產(chǎn)品是長距離依賴，正如Peter Liu（https://twitter.com/peterjliu/status/1603098202856722432?s=46&t=Gw2wumo4l8kIRaGzXDXyRw）所指出：“語言中的下個(gè)詞語預(yù)測(cè)通常是非常局部的，而代碼通常需要更長的依賴關(guān)系來做一些事情，比如前后括號(hào)的匹配或引用遠(yuǎn)處的函數(shù)定義”。這里我想進(jìn)一步補(bǔ)充的是：由于面向?qū)ο缶幊讨械念惱^承，代碼也可能有助于模型建立編碼層次結(jié)構(gòu)的能力。我們將對(duì)這一假設(shè)的檢驗(yàn)留給未來的工作。
另外還要注意一些細(xì)節(jié)差異：
text-davinci-002 與 code-davinci-002
Code-davinci-002 是基礎(chǔ)模型，text-davinci-002 是指令微調(diào) code-davinci-002 的產(chǎn)物（見 OpenAI 的文檔（https://beta.openai.com/docs/model-index-for-researchers））。它在以下數(shù)據(jù)上作了微調(diào)：（一）人工標(biāo)注的指令和期待的輸出；（二）由人工標(biāo)注者選擇的模型輸出。
當(dāng)有上下文示例 (in-context example) 的時(shí)候， Code-davinci-002 更擅長上下文學(xué)習(xí)；當(dāng)沒有上下文示例 / 零樣本的時(shí)候， text-davinci-002 在零樣本任務(wù)完成方面表現(xiàn)更好。從這個(gè)意義上說，text-davinci-002 更符合人類的期待（因?yàn)閷?duì)一個(gè)任務(wù)寫上下文示例可能會(huì)比較麻煩）。
OpenAI 不太可能故意犧牲了上下文學(xué)習(xí)的能力換取零樣本能力 —— 上下文學(xué)習(xí)能力的降低更多是指令學(xué)習(xí)的一個(gè)副作用，OpenAI 管這叫對(duì)齊稅。
001 模型（code-cushman-001 和 text-davinci-001）v.s. 002 模型（code-davinci-002 和 text-davinci-002）
001 模型主要是為了做純代碼 / 純文本任務(wù)；002 模型則深度融合了代碼訓(xùn)練和指令微調(diào)，代碼和文本都行。
Code-davinci-002 可能是第一個(gè)深度融合了代碼訓(xùn)練和指令微調(diào)的模型。證據(jù)有：code-cushman-001 可以進(jìn)行推理但在純文本上表現(xiàn)不佳，text-davinci-001 在純文本上表現(xiàn)不錯(cuò)但在推理上不大行。code-davinci-002 則可以同時(shí)做到這兩點(diǎn)。
在這個(gè)階段，我們已經(jīng)確定了指令微調(diào)和代碼訓(xùn)練的關(guān)鍵作用。一個(gè)重要的問題是如何進(jìn)一步分析代碼訓(xùn)練和指令微調(diào)的影響？具體來說：
上述三種能力是否已經(jīng)存在于初代的GPT-3中，只是通過指令和代碼訓(xùn)練觸發(fā) / 解鎖？或者這些能力在初代的 GPT-3 中并不存在，是通過指令和代碼訓(xùn)練注入？?
如果答案已經(jīng)在初代的 GPT-3 中，那么這些能力也應(yīng)該在 OPT 中。因此，要復(fù)現(xiàn)這些能力，或許可以直接通過指令和代碼調(diào)整 OPT。但是，code-davinci-002 也可能不是基于最初的 GPT-3 davinci，而是基于比初代 GPT-3 更大的模型。如果是這種情況，可能就沒辦法通過調(diào)整 OPT 來復(fù)現(xiàn)了。研究社區(qū)需要進(jìn)一步弄清楚 OpenAI 訓(xùn)練了什么樣的模型作為 code-davinci-002 的基礎(chǔ)模型。
我們有以下的假設(shè)和證據(jù)：
code-davinci-002的基礎(chǔ)模型可能不是初代GPT-3 davinci 模型。以下是證據(jù)： ?
初代的GPT-3在數(shù)據(jù)集 C4 2016 - 2019 上訓(xùn)練，而 code-davinci-002 訓(xùn)練集則在延長到2021年才結(jié)束。因此 code-davinci-002 有可能在 C4 的 2019-2021 版本上訓(xùn)練。
初代的 GPT-3 有一個(gè)大小為 2048個(gè)詞的上下文窗口。code-davinci-002 的上下文窗口則為 8192。GPT 系列使用絕對(duì)位置嵌入 (absolute positional embedding)，直接對(duì)絕對(duì)位置嵌入進(jìn)行外推而不經(jīng)過訓(xùn)練是比較難的，并且會(huì)嚴(yán)重?fù)p害模型的性能（參考 Press et al., 2022（Press et. al. 2022. Train Short, Test Long: Attention with Linear Biases Enables Input Length Extrapolation））。如果 code-davinci-002 是基于初代GPT-3，那OpenAI 是如何擴(kuò)展上下文窗口的？ ?
另一方面，無論基礎(chǔ)模型是初代的 GPT-3 還是后來訓(xùn)練的模型，遵循指令和零樣本泛化的能力都可能已經(jīng)存在于基礎(chǔ)模型中，后來才通過指令微調(diào)來解鎖?（而不是注入）
這主要是因?yàn)?OpenAI 的論文（Ouyang et. al. 2022. Training language models to follow instructions with human feedback）報(bào)告的指令數(shù)據(jù)量大小只有 77K，比預(yù)訓(xùn)練數(shù)據(jù)少了幾個(gè)數(shù)量級(jí)。
其他指令微調(diào)論文進(jìn)一步證明了數(shù)據(jù)集大小對(duì)模型性能的對(duì)比，例如 Chung et al. (2022) 的工作中， Flan-PaLM 的指令微調(diào)僅為預(yù)訓(xùn)練計(jì)算的 0.4%。一般來說，指令數(shù)據(jù)會(huì)顯著少于預(yù)訓(xùn)練數(shù)據(jù)。 ?
然而?，模型的復(fù)雜推理能力可能是在預(yù)訓(xùn)練階段通過代碼數(shù)據(jù)注入
代碼數(shù)據(jù)集的規(guī)模與上述指令微調(diào)的情況不同。這里的代碼數(shù)據(jù)量足夠大，可以占據(jù)訓(xùn)練數(shù)據(jù)的重要部分（例如，PaLM 有 8% 的代碼訓(xùn)練數(shù)據(jù)）
如上所述，在 code-davinci-002 之前的模型 text-davinci-001 大概沒有在代碼數(shù)據(jù)上面微調(diào)過，所以它的推理 / 思維鏈能力是非常差的，正如第一版思維鏈論文中所報(bào)告的那樣，有時(shí)甚至比參數(shù)量更小的 code-cushman-001 還差。 ?
區(qū)分代碼訓(xùn)練和指令微調(diào)效果的最好方法可能是比較 code-cushman-001、T5 和 FlanT5
因?yàn)樗鼈兙哂邢嗨频哪Ｐ痛笮。?10億 和 120億），相似的訓(xùn)練數(shù)據(jù)集 (C4)，它們最大的區(qū)別就是有沒有在代碼上訓(xùn)練過 / 有沒有做過指令微調(diào)。
目前還沒有這樣的比較。我們把這個(gè)留給未來的研究。
在當(dāng)前階段（2022 年 12 月）， text-davinci-002、text-davinci-003 和 ChatGPT之間幾乎沒有嚴(yán)格的統(tǒng)計(jì)上的比較，主要是因?yàn)椋??
text-davinci-003 和 ChatGPT 在撰寫本文時(shí)才發(fā)布不到一個(gè)月。
ChatGPT 不能通過 OpenAI API 被調(diào)用，所以想要在標(biāo)準(zhǔn)基準(zhǔn)上測(cè)試它很麻煩。
所以在這些模型之間的比較更多是基于研究社區(qū)的集體經(jīng)驗(yàn)（統(tǒng)計(jì)上不是很嚴(yán)格）。不過，我們相信初步的描述性比較仍然可以揭示模型的機(jī)制。
我們首先注意到以下 text-davinci-002，text-davinci-003 和 ChatGPT 之間的比較： ?
所有三個(gè)模型都經(jīng)過指令微調(diào)。
text-davinci-002?是一個(gè)經(jīng)過監(jiān)督學(xué)習(xí)指令微調(diào)(supervised instruction tuning) 的模型
text-davinci-003和 ChatGPT 是基于人類反饋的強(qiáng)化學(xué)習(xí)的指令微調(diào)(Instruction tuning with Reinforcement Learning from Human Feedback RLHF)。這是它們之間最顯著的區(qū)別。
這意味著大多數(shù)新模型的行為都是 RLHF 的產(chǎn)物。
那么讓我們看看 RLHF 觸發(fā)的能力：
翔實(shí)的回應(yīng)：text-davinci-003 的生成通常比text-davinci-002長（https://help.openai.com/en/articles/6779149-how-do-text-davinci-002-and-text-davinci-003-differ）。ChatGPT 的回應(yīng)則更加冗長，以至于用戶必須明確要求“用一句話回答我”，才能得到更加簡(jiǎn)潔的回答。這是 RLHF 的直接產(chǎn)物。
公正的回應(yīng)：ChatGPT 通常對(duì)涉及多個(gè)實(shí)體利益的事件（例如政治事件）給出非常平衡的回答。這也是RLHF的產(chǎn)物。
拒絕不當(dāng)問題：這是內(nèi)容過濾器和由 RLHF 觸發(fā)的模型自身能力的結(jié)合，過濾器過濾掉一部分，然后模型再拒絕一部分。
拒絕其知識(shí)范圍之外的問題：例如，拒絕在2021 年 6 月之后發(fā)生的新事件（因?yàn)樗鼪]在這之后的數(shù)據(jù)上訓(xùn)練過）。這是 RLHF 最神奇的部分，因?yàn)樗鼓Ｐ湍軌螂[式地區(qū)分哪些問題在其知識(shí)范圍內(nèi)，哪些問題不在其知識(shí)范圍內(nèi)。
有兩件事情值得注意：
所有的能力都是模型本來就有的，而不是通過RLHF 注入的。RLHF 的作用是觸發(fā) / 解鎖突現(xiàn)能力。這個(gè)論點(diǎn)主要來自于數(shù)據(jù)量大小的比較：因?yàn)榕c預(yù)訓(xùn)練的數(shù)據(jù)量相比，RLHF 占用的計(jì)算量 / 數(shù)據(jù)量要少得多。
模型知道它不知道什么不是通過編寫規(guī)則來實(shí)現(xiàn)的，?而是通過RLHF解鎖的。這是一個(gè)非常令人驚訝的發(fā)現(xiàn)，因?yàn)?RLHF 的最初目標(biāo)是讓模型生成復(fù)合人類期望的回答，這更多是讓模型生成安全的句子，而不是讓模型知道它不知道的內(nèi)容。 ?
幕后發(fā)生的事情可能是：
ChatGPT: 通過犧牲上下文學(xué)習(xí)的能力換取建模對(duì)話歷史的能力。這是一個(gè)基于經(jīng)驗(yàn)的觀測(cè)結(jié)果，因?yàn)?ChatGPT 似乎不像 text-davinci-003 那樣受到上下文演示的強(qiáng)烈影響。
text-davinci-003：恢復(fù)了text-davinci-002 所犧牲的上下文學(xué)習(xí)能力（見https://arxiv.org/pdf/2210.11416.pdf的附錄D），提高零樣本的能力（https://help.openai.com/en/articles/6779149-how-do-text-davinci-002-and-text-davinci-003-differ/?https://scale.com/blog/gpt-3-davinci-003-comparison）。根據(jù)instructGPT的論文，這是來自于強(qiáng)化學(xué)習(xí)調(diào)整階段混入了語言建模的目標(biāo)（而不是 RLHF 本身）。 ?
到目前為止，我們已經(jīng)仔細(xì)檢查了沿著進(jìn)化樹出現(xiàn)的所有能力，下表總結(jié)了演化路徑： ?
我們可以得出結(jié)論：
語言生成能力 + 基礎(chǔ)世界知識(shí) + 上下文學(xué)習(xí)都是來自于預(yù)訓(xùn)練（davinci）
存儲(chǔ)大量知識(shí)的能力來自 1750 億的參數(shù)量。
遵循指令和泛化到新任務(wù)的能力來自于擴(kuò)大指令學(xué)習(xí)中指令的數(shù)量（Davinci-instruct-beta)
執(zhí)行復(fù)雜推理的能力很可能來自于代碼訓(xùn)練（code-davinci-002）
生成中立、客觀的能力、安全和翔實(shí)的答案來自與人類的對(duì)齊。具體來說：
如果是監(jiān)督學(xué)習(xí)版，得到的模型是text-davinci-002
如果是強(qiáng)化學(xué)習(xí)版 (RLHF) ，得到的模型是text-davinci-003
無論是有監(jiān)督還是 RLHF ，模型在很多任務(wù)的性能都無法超過 code-davinci-002 ，這種因?yàn)閷?duì)齊而造成性能衰退的現(xiàn)象叫做對(duì)齊稅。
對(duì)話能力也來自于 RLHF（ChatGPT），具體來說它犧牲了上下文學(xué)習(xí)的能力，來換取：
建模對(duì)話歷史
增加對(duì)話信息量
拒絕模型知識(shí)范圍之外的問題
雖然GPT-3.5是自然語言處理研究中的重要一步，但它并沒有完全包含許多研究人員（包括 AI2）設(shè)想的所有理想屬性。以下是GPT-3.5不具備的某些重要屬性：
實(shí)時(shí)改寫模型的信念：當(dāng)模型表達(dá)對(duì)某事的信念時(shí)，如果該信念是錯(cuò)誤的，我們可能很難糾正它：
我最近遇到的一個(gè)例子是：ChatGPT 堅(jiān)持認(rèn)為 3599 是一個(gè)質(zhì)數(shù)，盡管它承認(rèn) 3599 = 59 * 61。另外，請(qǐng)參閱Reddit上關(guān)于游得最快的海洋哺乳動(dòng)物（https://www.reddit.com/r/ChatGPT/comments/zd7l8t/nice/）的例子。
然而，模型信念的強(qiáng)度似乎存在不同的層次。一個(gè)例子是即使我告訴它達(dá)斯·維達(dá)（星球大戰(zhàn)電影中的人物）贏得了2020年大選，模型依舊會(huì)認(rèn)為美國現(xiàn)任總統(tǒng)是拜登。但是如果我將選舉年份改為 2024 年，它就會(huì)認(rèn)為總統(tǒng)是達(dá)斯·維達(dá)是 2026 年的總統(tǒng)。
形式推理：GPT-3.5系列不能在數(shù)學(xué)或一階邏輯等形式嚴(yán)格的系統(tǒng)中進(jìn)行推理： ?
在自然語言處理的文獻(xiàn)中， “推理” 一詞的定義很多時(shí)候不太明確。但如果我們從模糊性的角度來看，例如一些問題 (a) 非常模棱兩可，沒有推理；(b) 有點(diǎn)兒邏輯在里面，但有些地方也可以模糊；(c) 非常嚴(yán)謹(jǐn)，不能有任何歧義。那么，
模型可以很好地進(jìn)行 (b) 類的帶模糊性的推理，例子有：
生成如何做豆腐腦的方法。做豆腐腦的時(shí)候，中間很多步驟模糊一點(diǎn)是可以接受的，比如到底是做咸的還是做甜的。只要整體步驟大致正確，做出來的豆腐腦兒就能吃。
數(shù)學(xué)定理的證明思路。證明思路是用語言表達(dá)的非正式的逐步解法，其中每一步的嚴(yán)格推導(dǎo)可以不用太具體。證明思路經(jīng)常被用到數(shù)學(xué)教學(xué)：只要老師給一個(gè)大致正確的整體步驟，學(xué)生就可以大概明白。然后老師把具體的證明細(xì)節(jié)作為作業(yè)布置給學(xué)生，答案略。
GPT-3.5 不能進(jìn)行類型 (c) 的推理（推理不能容忍歧義）。
一個(gè)例子是嚴(yán)格的數(shù)學(xué)證明，要求中間步驟中不能跳，不能模糊，不能錯(cuò)。
但這種嚴(yán)格推理到底是應(yīng)該讓語言模型做還是讓符號(hào)系統(tǒng)做還有待討論。一個(gè)例子是，與其努力讓 GPT 做三位數(shù)加法，不如直接調(diào) Python。
從互聯(lián)網(wǎng)進(jìn)行檢索：GPT-3.5 系列（暫時(shí)）不能直接搜索互聯(lián)網(wǎng)
但是有一篇 WebGPT（https://openai.com/blog/webgpt/） 論文發(fā)表于2021年12月，里面就讓 GPT 調(diào)用了搜索引擎。所以檢索的能力已經(jīng)在 OpenAI 內(nèi)部進(jìn)行了測(cè)試。
這里需要區(qū)分的一點(diǎn)是，GPT-3.5 的兩個(gè)重要但不同的能力是知識(shí)和推理。一般來說，如果我們能夠將知識(shí)部分卸載到外部的檢索系統(tǒng)，讓語言模型只專注于推理，這就很不錯(cuò)了。?因?yàn)椋?/p>
模型的內(nèi)部知識(shí)總是在某個(gè)時(shí)間被切斷。模型始終需要最新的知識(shí)來回答最新的問題。
回想一下，我們已經(jīng)討論過 1750 億的參數(shù)大量用于存儲(chǔ)知識(shí)。如果我們可以將知識(shí)卸載到模型之外，那么模型參數(shù)可能會(huì)大大減少，最終它甚至可以在手機(jī)上運(yùn)行（瘋狂的想法，但 ChatGPT 已經(jīng)足夠科幻了，誰知道未來會(huì)怎樣呢).
在這篇博文中，我們仔細(xì)介紹了GPT-3.5系列的能力范圍，并追溯了它們所有突現(xiàn)能力的來源。初代GPT-3模型通過預(yù)訓(xùn)練獲得生成能力、世界知識(shí)和in-context learning。然后通過instruction tuning的模型分支獲得了遵循指令和能泛化到?jīng)]有見過的任務(wù)的能力。經(jīng)過代碼訓(xùn)練的分支模型則獲得了代碼理解的能力，作為代碼訓(xùn)練的副產(chǎn)品，模型同時(shí)潛在地獲得了復(fù)雜推理的能力。 結(jié)合這兩個(gè)分支，code-davinci-002似乎是具有所有強(qiáng)大能力的最強(qiáng)GPT-3.5模型。接下來通過有監(jiān)督的instruction tuning和 RLHF通過犧牲模型能力換取與人類對(duì)齊，即對(duì)齊稅。RLHF 使模型能夠生成更翔實(shí)和公正的答案，同時(shí)拒絕其知識(shí)范圍之外的問題。
我們希望這篇文章能夠幫助提供一個(gè)清晰的GPT評(píng)估圖，并引發(fā)一些關(guān)于語言模型、instruction tuning和code tuning的討論。最重要的是，?我們希望這篇文章可以作為在開源社區(qū)內(nèi)復(fù)現(xiàn)GPT-3.5的路線圖。
這篇文章中的這些說法更像是假設(shè) (hypothesis) 還是結(jié)論 (conclusion)？
復(fù)雜推理的能力來自于代碼訓(xùn)練是我們傾向于相信的假設(shè)
對(duì)沒有見過的任務(wù)泛化能力來自大規(guī)模指令學(xué)習(xí)是至少 4 篇論文的結(jié)論
GPT-3.5來自于其他大型基礎(chǔ)模型，而不是1750億參數(shù)的GPT-3是有根據(jù)的猜測(cè)。
所有這些能力都已經(jīng)存在了，通過instruction tuning，無論是有監(jiān)督學(xué)習(xí)或強(qiáng)化學(xué)習(xí)的方式來解鎖而不是注入這些能力是一個(gè)強(qiáng)有力的假設(shè)，強(qiáng)到你不敢不信。主要是因?yàn)閕nstruction tuning數(shù)據(jù)量比預(yù)訓(xùn)練數(shù)據(jù)量少了幾個(gè)數(shù)量級(jí)
結(jié)論 = 許多證據(jù)支持這些說法的正確性；假設(shè) = 有正面證據(jù)但不夠有力；有根據(jù)的猜測(cè) = 沒有確鑿的證據(jù)，但某些因素會(huì)指向這個(gè)方向
為什么其他模型（如 OPT 和 BLOOM）沒有那么強(qiáng)大？
OPT大概是因?yàn)橛?xùn)練過程太不穩(wěn)定
BLOOM的情況則未知。如果您有更多意見，請(qǐng)與我聯(lián)系
（作者注：轉(zhuǎn)發(fā)請(qǐng)?jiān)谖恼碌拈_頭標(biāo)明出處，而不是在結(jié)尾列一行小字。） 其他人都在看
關(guān)于ChatGPT的一切；CUDA入門之矩陣乘
李白：你的模型權(quán)重很不錯(cuò)，可惜被我沒收了
單RTX 3090訓(xùn)練YOLOv5s，時(shí)間減少11小時(shí)
OpenAI掌門Sam Altman：AI下一個(gè)發(fā)展階段
對(duì)比四大深度學(xué)習(xí)框架，我發(fā)現(xiàn)都關(guān)注兩大問題
比快更快，開源Stable Diffusion刷新作圖速度
OneEmbedding:單卡訓(xùn)練TB級(jí)推薦模型不是夢(mèng)
??
關(guān)鍵詞： ChatGPT
營業(yè)執(zhí)照公示信息