英文原版：https://franxyao.github.io/blog.html

正文

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，它又強又聰明，且跟它說話很好玩，還會寫代碼。它在多個方面的能力遠遠超過了自然語言處理研究者們的預(yù)期。于是我們自然就有一個問題：ChatGPT 是怎么變得這么強的？它的各種強大的能力到底從何而來？在這篇文章中，我們試圖剖析 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化成目前的強大形態(tài)。

• 在國際學(xué)術(shù)界看來，ChatGPT / GPT-3.5 是一種劃時代的產(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。
• 在當前這個階段，國內(nèi)的技術(shù)水準，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。

多年以后，面對行刑隊，奧雷里亞諾·布恩迪亞上校將會回想起父親帶他去見識冰塊的那個遙遠的下午。—— 《百年孤獨》 加西亞·馬爾克斯

一、2020 版初代 GPT-3 與大規(guī)模預(yù)訓(xùn)練

初代GPT-3展示了三個重要能力：

• 語言生成：遵循提示詞（prompt），然后生成補全提示詞的句子。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)的幾個示例，然后為新的測試用例生成解決方案。很重要的一點是，GPT-3雖然是個語言模型，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ι舷挛膶W(xué)習(xí)的愿景上，這才是 GPT-3的真正重點。
• 世界知識：包括事實性知識 (factual knowledge) 和常識 (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 (language modeling)。
• 世界知識來自 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)是為了存儲知識，Liang et al. (2022) 的文章進一步證明了這一點。他們的結(jié)論是，知識密集型任務(wù)的性能與模型大小息息相關(guān)。
• 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任務(wù)的數(shù)據(jù)點在訓(xùn)練時按順序排列在同一個 batch 中。然而，很少有人研究為什么語言模型預(yù)訓(xùn)練會促使上下文學(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。其實比較難確定初代 GPT-3（在 OpenAI API 中被稱為davinci）到底是“強”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)集中達到了還不錯的性能；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 的標準下，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，但它的能力與當今的標準也形成了尖銳的對比。許多測試過 OPT 的人也認為與現(xiàn)在的text-davinci-002相比，該模型確實 “不咋地”。盡管如此，OPT 可能是初代 GPT-3 的一個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 評估）。

雖然初代的 GPT-3 可能表面上看起來很弱，但后來的實驗證明，初代 GPT-3 有著非常強的潛力。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化學(xué)習(xí) (reinforcement learning with human feedback, RLHF) 解鎖，最終體展示出極為強大的突現(xiàn)能力。

二、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 的進化樹：

在 2020 年 7 月，OpenAI 發(fā)布了模型索引為的 davinci 的初代 GPT-3 論文，從此它就開始不斷進化。在 2021 年 7 月，Codex 的論文發(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 變體進行微調(diào)的。后來這個 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) 的論文，其監(jiān)督微調(diào) (supervised instruction tuning) 的部分對應(yīng)了davinci-instruct-beta和text-davinci-001。在 2022 年 4 月至 7 月的，OpenAI 開始對code-davinci-002模型進行 Beta 測試，也稱其為 Codex。然后code-davinci-002、text-davinci-003和ChatGPT 都是從code-davinci-002進行指令微調(diào)得到的。詳細信息請參閱 OpenAI的模型索引文檔。

盡管 Codex 聽著像是一個只管代碼的模型，但code-davinci-002可能是最強大的針對自然語言的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)指令進行調(diào)整（將在下面解釋）。然后2022 年 5-6 月發(fā)布的text-davinci-002是一個基于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（大概是因為它在微調(diào)的時候混入了語言建模） 并進一步改進了零樣本能力（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GPT-3。當他們完成code-davinci-002時，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)督的版本還是強化學(xué)習(xí)的版本，都會做以下事情（稍后會詳細說明）：

• 指令微調(diào)不會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。這主要是因為指令微調(diào)的數(shù)據(jù)量比預(yù)訓(xùn)練數(shù)據(jù)量少幾個數(shù)量級（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，有些更擅長對話，如ChatGPT。
• 指令微調(diào)通過犧牲性能換取與人類的對齊（alignment）。OpenAI 的作者在他們的指令微調(diào)論文中稱其為 “對齊稅” (alignment tax)。許多論文都報道了code-davinci-002在基準測試中實現(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齊），例如：零樣本問答、生成安全和公正的對話回復(fù)、拒絕超出模型它知識范圍的問題。

三、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-002模型差（例如，text-davinci-001 鏈式思維推理能力不強）。所以我們在本節(jié)中重點介紹 -002 型號。

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，一個用于代碼，另一個用于文本。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。現(xiàn)在的模型會針對指令 / 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)：當用于調(diào)整模型的指令數(shù)量超過一定的規(guī)模時，模型就可以自動在從沒見過的新指令上也能生成有效的回答。這種能力對于上線部署至關(guān)重要，因為用戶總會提新的問題，模型得答得出來才行。
• 代碼生成和代碼理解：這個能力很顯然，因為模型用代碼訓(xùn)練過。
• 利用思維鏈 (chain-of-thought) 進行復(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 是兩個擁有足夠強的思維鏈推理能力的模型。
• 思維鏈推理之所以重要，是因為思維鏈可能是解鎖突現(xiàn)能力和超越縮放法則 (scaling laws) 的關(guān)鍵。請參閱上一篇博文。

這些能力從何而來？

與之前的模型相比，兩個主要區(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出現(xiàn)的，T0、Flan 和 FlanPaLM 論文進一步證明了這一點
• 使用思維鏈進行復(fù)雜推理的能力很可能是代碼訓(xùn)練的一個神奇的副產(chǎn)物。對此，我們有以下的事實作為一些支持：
• 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報告說，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 有 5% 的代碼訓(xùn)練數(shù)據(jù)，可以做思維鏈。
• Codex論文中的代碼數(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 測試中，Liang et al. (2022) 對不同模型進行了大規(guī)模評估。他們發(fā)現(xiàn)了針對代碼訓(xùn)練的模型具有很強的語言推理能力，包括 120億參數(shù)的code-cushman-001.。
• 我們在 AI2 的工作也表明，當配備復(fù)雜的思維鏈時，code-davinci-002 在 GSM8K 等重要數(shù)學(xué)基準上是目前表現(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)分解為多個簡單任務(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)性對研究社區(qū)來說是一個非常有趣的問題，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開放性的研究問題。
• 此外， 代碼訓(xùn)練另一個可能的副產(chǎn)品是長距離依賴，正如Peter Liu所指出：“語言中的下個詞語預(yù)測通常是非常局部的，而代碼通常需要更長的依賴關(guān)系來做一些事情，比如前后括號的匹配或引用遠處的函數(shù)定義”。這里我想進一步補充的是：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。我們將對這一假設(shè)的檢驗留給未來的工作。

另外還要注意一些細節(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）。它在以下數(shù)據(jù)上作了微調(diào)：（一）人工標注的指令和期待的輸出；（二）由人工標注者選擇的模型輸出。
• 當有上下文示例 (in-context example) 的時候， Code-davinci-002 更擅長上下文學(xué)習(xí)；當沒有上下文示例 / 零樣本的時候， text-davinci-002 在零樣本任務(wù)完成方面表現(xiàn)更好。從這個意義上說，text-davinci-002 更符合人類的期待（因為對一個任務(wù)寫上下文示例可能會比較麻煩）。
• 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)的一個副作用，OpenAI 管這叫對齊稅。
• 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)不錯但在推理上不大行。code-davinci-002 則可以同時做到這兩點。

3.2 這些能力是在預(yù)訓(xùn)練之后已經(jīng)存在還是在之后通過微調(diào)注入？

在這個階段，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。一個重要的問題是如何進一步分析代碼訓(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 有一個大小為 2048 個詞的上下文窗口。code-davinci-002 的上下文窗口則為 8192。GPT 系列使用絕對位置嵌入 (absolute positional embedding)，直接對絕對位置嵌入進行外推而不經(jīng)過訓(xùn)練是比較難的，并且會嚴重損害模型的性能（參考 Press et al., 2022）。如果 code-davinci-002 是基于初代GPT-3，那OpenAI 是如何擴展上下文窗口的？
• 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）
• 這主要是因為 OpenAI 的論文報告的指令數(shù)據(jù)量大小只有 77K，比預(yù)訓(xùn)練數(shù)據(jù)少了幾個數(shù)量級。
• 其他指令微調(diào)論文進一步證明了數(shù)據(jù)集大小對模型性能的對比，例如 Chung et al. (2022) 的工作中， Flan-PaLM 的指令微調(diào)僅為預(yù)訓(xùn)練計算的 0.4%。一般來說，指令數(shù)據(jù)會顯著少于預(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告的那樣，有時甚至比參數(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
• 因為它們具有相似的模型大小（110億 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。我們把這個留給未來的研究。

四、text-davinci-003 和 ChatGPT，基于人類反饋的強化學(xué)習(xí)(Reinforcement Learning from Human Feedback, RLHF) 的威力

在當前階段（2022 年 12 月）， text-davinci-002、text-davinci-003 和 ChatGPT之間幾乎沒有嚴格的統(tǒng)計上的比較 ，主要是因為

• text-davinci-003 和 ChatGPT 在撰寫本文時才發(fā)布不到一個月。
• ChatGPT 不能通過 OpenAI API 被調(diào)用，所以想要在標準基準上測試它很麻煩。

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 （統(tǒng)計上不是很嚴格）。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：

• 所有三個模型都經(jīng)過指令微調(diào)。
• text-davinci-002 是一個經(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：

• 翔實的回應(yīng)：text-davinci-003 的生成通常比 text-davinci-002長。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”，才能得到更加簡潔的回答。這是 RLHF 的直接產(chǎn)物。
• 公正的回應(yīng)：ChatGPT 通常對涉及多個實體利益的事件（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（因為它沒在這之后的數(shù)據(jù)上訓(xùn)練過）。這是 RLHF 最神奇的部分，因為它使模型能夠隱式地區(qū)分哪些問題在其知識范圍內(nèi)，哪些問題不在其知識范圍內(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。這個論點主要來自于數(shù)據(jù)量大小的比較：因為與預(yù)訓(xùn)練的數(shù)據(jù)量相比，RLHF 占用的計算量 / 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)則來實現(xiàn)的， 而是通過RLHF解鎖的。這是一個非常令人驚訝的發(fā)現(xiàn)，因為 RLHF 的最初目標是讓模型生成復(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)的能力換取建模對話歷史的能力。這是一個基于經(jīng)驗的觀測結(jié)果，因為 ChatGPT 似乎不像 text-davinci-003 那樣受到上下文演示的強烈影響。
• text-davinci-003：恢復(fù)了 text-davinci-002 所犧牲的上下文學(xué)習(xí)能力， 提高零樣本的能力。我們不確定這是否也是 RLHF 或其他東西的副產(chǎn)品。 根據(jù)instructGPT的論文，這是來自于強化學(xué)習(xí)調(diào)整階段混入了語言建模的目標（而不是 RLHF 本身）。

五、總結(jié)當前階段 GPT-3.5 的進化歷程

到目前為止，我們已經(jīng)仔細檢查了沿著進化樹出現(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 + 上下文學(xué)習(xí)都是來自于預(yù)訓(xùn)練（davinci）
• 存儲大量知識的能力來自 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、安全和翔實的答案來自與人類的對齊。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 ，這種因為對齊而造成性能衰退的現(xiàn)象叫做對齊稅。
• 對話能力也來自于 RLHF（ChatGPT），具體來說它犧牲了上下文學(xué)習(xí)的能力，來換取：
• 建模對話歷史
• 增加對話信息量
• 拒絕模型知識范圍之外的問題

六、GPT-3.5 目前不能做什么

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：

• 實時改寫模型的信念：當模型表達對某事的信念時，如果該信念是錯誤的，我們可能很難糾正它：
• 我最近遇到的一個例子是：ChatGPT 堅持認為 3599 是一個質(zhì)數(shù)，盡管它承認 3599 = 59 * 61。另外，請參閱Reddit上關(guān)于游得最快的海洋哺乳動物的例子。
• 然而，模型信念的強度似乎存在不同的層次。一個例子是即使我告訴它達斯·維達（星球大戰(zhàn)電影中的人物）贏得了2020年大選，模型依舊會認為美國現(xiàn)任總統(tǒng)是拜登。但是如果我將選舉年份改為 2024 年，它就會認為總統(tǒng)是達斯·維達是 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格的系統(tǒng)中進行推理：
• 一個例子是嚴格的數(shù)學(xué)證明，要求中間步驟中不能跳，不能模糊，不能錯。
• 但這種嚴格推理到底是應(yīng)該讓語言模型做還是讓符號系統(tǒng)做還有待討論。一個例子是，與其努力讓 GPT 做三位數(shù)加法，不如直接調(diào) Python。
• 生成如何做豆腐腦的方法。做豆腐腦的時候，中間很多步驟模糊一點是可以接受的，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的非正式的逐步解法，其中每一步的嚴格推導(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節(jié)作為作業(yè)布置給學(xué)生，答案略。
• 在自然語言處理的文獻中， “推理” 一詞的定義很多時候不太明確。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) 有點兒邏輯在里面，但有些地方也可以模糊；(c) 非常嚴謹，不能有任何歧義。那么，
• 模型可以很好地進行 (b) 類的帶模糊性的推理，例子有：
• GPT-3.5 不能進行類型 (c) 的推理（推理不能容忍歧義）。
• 從互聯(lián)網(wǎng)進行檢索：GPT-3.5 系列（暫時）不能直接搜索互聯(lián)網(wǎng)
• 模型的內(nèi)部知識總是在某個時間被切斷。模型始終需要最新的知識來回答最新的問題。
• 回想一下，我們已經(jīng)討論過 1750 億的參數(shù)大量用于存儲知識。如果我們可以將知識卸載到模型之外，那么模型參數(shù)可能會大大減少，最終它甚至可以在手機上運行（瘋狂的想法，但 ChatGPT 已經(jīng)足夠科幻了，誰知道未來會怎樣呢).
• 但是有一篇 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)部進行了測試。
• 這里需要區(qū)分的一點是，GPT-3.5 的兩個重要但不同的能力是 知識 和 推理。一般來說，如果我們能夠 將知識部分卸載到外部的檢索系統(tǒng)，讓語言模型只專注于推理，這就很不錯了。 因為：

七、結(jié)論

在這篇博文中，我們仔細檢查了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，模型同時潛在地獲得了復(fù)雜推理的能力。結(jié)合這兩個分支，code-davinci-002似乎是具有所有強大能力的最強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齊，即對齊稅。RLHF 使模型能夠生成更翔實和公正的答案，同時拒絕其知識范圍之外的問題。

我們希望這篇文章能夠幫助提供一個清晰的GPT評估圖，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。

“因為山就在那里。”——喬治·馬洛里，珠穆朗瑪峰探險先驅(qū)

常見問題

• 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。
• 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)或強化學(xué)習(xí)的方式來解鎖而不是注入這些能力 是一個強有力的假設(shè)，強到你不敢不信。主要是因為instruction tuning數(shù)據(jù)量比預(yù)訓(xùn)練數(shù)據(jù)量少了幾個數(shù)量級
• 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 = 沒有確鑿的證據(jù)，但某些因素會指向這個方向
• 為什么其他模型（如 OPT 和 BLOOM）沒有那么強大？
• OPT大概是因為訓(xùn)練過程太不穩(wěn)定
• BLOOM的情況則未知。如果您有更多意見，請與我聯(lián)系

附錄 - 中英術(shù)語對照表