澳门赌场

　　近日，清华大学计算机系研究团队与深圳国际研究生院团队合作，在大规模语言预训练模型前沿领域取得新进展。相关研究成果“面向大规模预训练语言模型的参数高效微调”以封面文章形式发表于《自然-机器智能》。

　　2018年以来，预训练语言模型（PLM）及其“预训练-微调”方法已成为自然语言处理（NLP）任务的主流范式。规模越大的模型不仅在已知任务上有着更好的表现，同时展现出完成更复杂的未知任务的强大泛化能力，近年出现的GPT-3、ChatGPT等均为大规模预训练模型的代表。

　　然而，现有对大规模预训练模型的全部参数进行微调实现任务适配的做法，会消耗大量图形处理器（GPU）计算资源和存储资源，严重限制大模型的应用场景。为了应对该挑战，参数高效微调方法逐渐受到关注。

　　研究团队提出，参数高效微调方法的本质是对“增量参数”进行调整，因此将此类方法命名为“增量微调”，并基于统一的分析框架对增量微调现有方法进行梳理总结，将现有方法分为3类——添加式、指定式和重参数化方法。为了指导后续的模型架构和算法设计，团队进一步从参数优化和最优控制两个角度，提出了增量微调的理论框架，为探索和解释增量微调的内在机理提供了可行方案。

　　该研究工作选择了超过100个NLP任务，对主流增量微调方法进行了全面细致的性能比较和分析，得出多项重要结论。比如，基础模型随着参数规模的不断增大，在性能显著提高的同时，不同增量微调方法的差异急剧缩小，最少仅需要优化万分之八的模型参数即可完成适配；不同增量微调方法可以进行并行或者串行的组合从而达到更优性能，表明了分布在模型参数空间中的智能能力可以进行组合和泛化；增量微调方法具备良好的任务级别的迁移能力，完成特定任务的“能力”可以表示为轻量级参数化的形式，在不同基础模型和不同用户之间共享。

　　以上研究表明，增量微调是基础模型的重要特性。上述结论将加深对基础模型的认识，为其创新研究与应用提供重要支撑。

　　相关论文信息：https://doi.org/10.1038/s42256-023-00626-4