一文了解 ChatGPT 等 LLMs 得到明顯改進的 3 個變化_ARK

原文作者：Tanya Malhotra

來源：Marktechpost

近年來，大型語言模型（Large Language Models，LLMs）在全世界受到了廣泛贊賞，并在自然語言處理領域備受歡迎。這使我們能夠使用比以往任何時候都更好、更清晰的語言理解來描述智能系統（Intelligent Systems）。

諸如 GPT-3、T5、PaLM 等 LLMs 的性能有了顯著提高，并且這些模型將繼續存在，因為它們可以完成從通過學習閱讀來模仿人類，到生成文本和總結長段落內容的所有工作。而根據一些深入的研究，如果 LLM 的規模很大，那么它的表現就會很好。通過在大量數據上訓練這些模型，它們可以理解人類語言的語法、語義和語用學。 

Ark Invest買入5.5萬股Coinbase和106萬股Robinhood股票:金色財經報道，Ark Invest昨天買入Coinbase和Robinhood的股票，分別價值344萬美元和997萬美元。根據電子郵件的交易通知，47,568股Coinbase的股票被添加到Ark Innovation ETF。8,031股股票被添加Ark Next Generation Internet ETF，該基金也購買了106萬股Robinhood股票。[2023/3/8 12:49:33]

由 OpenAI 開發的流行的大型語言模型 ChatGPT 之所以發展得如此之快，正是因為采用了人類反饋強化學習（RLHF）等先進技術。通過 RLHF，機器學習算法結合并使用人工輸入提高了模型的性能。它針對預訓練的 LLM 進行了微調，用于開發聊天機器人、虛擬助手等任務。

BitMEX已上線FLRUSDTH23期貨合約:12月15日消息，據官方消息，BitMEX宣布已上線FLRUSDTH23期貨合約，并開啟交易。據悉，Flare Token（FLR）是區塊鏈項目Flare Network的原生資產。[2022/12/15 21:46:33]

此外，ChatGPT 等 LLMs 所基于的預訓練基礎模型也得到了明顯的改進。這主要是由于三個方面的變化：

1.實踐證明，模型的擴展性（Scaling）對提高其性能很有幫助。以 Pathways 語言模型（Pathways Language Model，PaLM）為例，該模型通過擴展小樣本學習（few-shot learning）大大影響了其性能，小樣本學習可以減少根據具體應用調整模型所需的特定任務訓練實例的數量。

多鏈Web3生態Hacker資助計劃Dora Grant DAO進入首輪項目評選環節:據官方消息，11月2日，社區驅動的多鏈Web3生態開源極客資助計劃Dora Grant DAO正式進入為期三天的首輪項目評選環節。截止今日，共有來自全球109個BUIDL團隊成功報名活動。在首輪入選Grant項目公示后，社區投票將于11月5日正式開始。

Dora Grant DAO計劃旨在持續支持在以下三個領域的多鏈Web3開源極客團隊：多鏈Web3核心基礎設施和工具，加密原生應用，加密-前沿科技交叉領域。[2022/11/2 12:08:59]

通過使用 Pathways 語言模型在 6144 TPU v4 芯片上擴展和訓練 5400 億個參數，PaLM 展示了重復擴展的好處，其表現超過了各種傳統模型，并顯示出很大的進步。因此，深度和寬度的擴展都是提高基礎模型性能的一個重要因素。

Max Keiser：Sen Lummis 的加密法案存在一些致命缺陷:金色財經報道，在多年缺乏監管明確性之后，美國當局終于收到了一項法案提案，旨在闡明當地監管機構如何監督加密貨幣行業。雖然這一提議得到了某些加密貨幣支持者的支持，但OG BTC支持者之一 Max Keiser表示，他認為只有比特幣應該是一種商品，因為它是唯一完全去中心化的資產。因此，他還對希望將大多數加密貨幣置于 CFTC 管轄范圍內的 Lummis-Gillibrand 法案草案進行了權衡，即使所謂的“輔助資產”也必須符合 SEC 的規定。Keizer 將該法案描述為“愚蠢的”，因為它有“一些致命的缺陷”。他認為以太坊和其他山寨幣是“可證明的證券，而不是商品”。（cryptopotato）[2022/6/11 4:18:14]

2.另一個變化是在預訓練時增加標記數量的過程。像 Chinchilla 這樣的模型（開源語言模型）已經證明，通過增加預訓練數據，大型語言模型的表現會更好。

Chinchilla 是一個計算最優模型。在相同的計算預算下，在 70B 參數和比 Gopher 模型多四倍的數據上進行訓練，Chinchilla 的表現一致優于 Gopher，它甚至比 GPT-3、Jurassic-1 和 Megatron-Turing NLG 等 LLMs 效果更好。這清楚地描述了對于每一個計算最優的訓練，標記的數量應該相應地縮放——即模型大小的兩倍，因此訓練標記的數量應該是兩倍。 

3.第三個變化是使用干凈和多樣化的預訓練數據。Galactica 的性能證明了這一點，它是一種存儲、混合和推理科學知識的大型語言模型。經過幾篇科學論文文本的訓練，Galactica 的表現優于 GPT-3、Chinchilla 等模型。另一個大型語言模型 BioMedLM 是一種針對生物醫學文本的特定領域 LLM，在針對特定領域數據進行訓練時，它表現出了巨大的性能提升。它清楚地表明，在特定領域的數據上進行的預訓練勝過在通用數據上的訓練。

LLMs 的成功無疑歸功于多種因素的混合，包括 RLHF 的使用和預訓練基礎模型的發展。這三個變化極大地影響了 LLMs 的性能。此外，GLaM（通用語言模型）通過使用稀疏激活的混合專家架構（Mixture-of-Experts architecture），以更少的訓練成本擴展模型的容量，從而顯著提高了性能。因此，這些變化為更高級的語言模型開辟了道路，而這些模型將繼續讓我們的生活變得輕松。  

DeFi之道

個人專欄

閱讀更多

金色財經 善歐巴

金色早8點

Odaily星球日報

歐科云鏈

Arcane Labs

深潮TechFlow

MarsBit

BTCStudy

澎湃新聞

Tags：CHILMSGPTARKCHIZ價格Crypto Realms WarHyperGPTArkham

BNB