一文了解 ChatGPT 等 LLMs 得到明顯改進的 3 個變化_區塊鏈:LMS

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。 

數據：某巨鯨在市場大幅下跌前出售10265枚ETH:金色財經報道，據Spot On Chain監測，在以太坊聯合創始人Jeffrey Wilcke將ETH轉移到Kraken 40分鐘后，某鯨魚將10265枚ETH換成1,910萬美元的DAI和USDC(約12小時前，市場大幅下跌前)，平均售價為1861美元。

此前報道，6月5日，以太坊聯創Jeffrey Wilcke向Kraken轉入2.2萬枚以太坊。[2023/6/6 21:18:50]

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。

SVB：任命William Kosturos為重組業務主管:金色財經報道，SVB金融集團表示，任命William Kosturos為重組業務主管。[2023/3/14 13:02:09]

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。

第五屆CCF中國區塊鏈技術大會在無錫舉行:2月12日消息，2月10日至12日，第五屆CCF中國區塊鏈技術大會在無錫市舉行。大會由中國計算機學會主辦，中國計算機學會區塊鏈專業委員會、上海交通大學、無錫市委網信辦、無錫錫東新城商務區管理委員會、無錫市區塊鏈高等研究中心聯合承辦，無錫學院、中科云海智能技術實驗室協辦。

大會以“新應用 新賦能 新生態”為主題，邀請到超過50位演講嘉賓，其中既有區塊鏈學術領域的高校教授，也有業界應用領域的權威專家，共同探討區塊鏈技術新進展、區塊鏈安全與Web3、區塊鏈隱私保護與監管、區塊鏈數字資產交易、區塊鏈與密碼學以及區塊鏈領域人才培養等熱點話題。

會上還發布了《CCF區塊鏈專委會區塊鏈高水平學術期刊和學術會議目錄》《CCF區塊鏈學術研究白皮書》和《無錫市政務區塊鏈創新應用指南》。“無錫市區塊鏈高等研究中心-無錫學院人才實訓基地”也在大會上揭牌。一批區塊鏈產業鏈上下游的優質企業在會上與錫東新城商務區簽約，將落地區塊鏈項目，逐漸形成一個富有競爭力的區塊鏈產業共同體。（新華網）[2023/2/12 12:02:05]

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。

美聯儲副主席布雷納德：為新興金融領域立法非常重要:9月8日消息，美聯儲副主席布雷納德表示，加密金融系統與傳統金融有著同樣的風險，“我希望看到一個以類似的監管體系來應對類似的風險，為新興金融領域立法很難，但這么做非常重要。[2022/9/8 13:14:57]

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：區塊鏈CHILMSGPT有人靠區塊鏈4天就掙了30萬塊錢Universidad de Chile Fan TokenLMS價格AIGPT

瑞波幣