这篇论文由Hugging Face牵头，如果用一连串数字来概括这篇论文，我们就会发现“大力真的可以创造奇迹”：

  • 一共收集了171个多任务数据集，总共创建了1939个prompt，平均每个数据集有11.3个prompt；
  • 共有来自8个国家、24家机构的36位人员贡献prompt；
  • 基于包含prompt的数据集进行多任务学习（模型为11B的T5），Zero-Shot性能大幅超越大16倍的GPT-3模型；
  • 与Google的同期工作Instruction Tuning（FLAN模型）[1]相比，Zero-Shot性能在各数据集上几乎均有提升或可比，而模型参数减少10倍（Google的FLAN模型为137B）；

我们可以发现：如此“耗资巨大”的工程，将prompt+多任务学习紧密结合起来，也许是提升Zero-Shot性能的“完美配方”。

此外，很多读者也许会发现，这篇论文不就是Instruction Tuning方法吗？

事实上，本篇论文与Google的Instruction Tuning思想相同，都是将包含prompt的数据集进行多任务学习，在下游未见任务进行Zero-Shot性能测试。不过，仍有很多细节和性能不相同，接下来就让我们一起一探究竟吧～

1、Instruction Tuning回顾

当前，NLP发展正进入第四范式[2]——prompting时代：预训练语言模型加持下的Prompt Learning。

CMU博士后研究员刘鹏飞在综述论文[3]中定义了Prompt的两种主要形式：

  • 填充文本字符串空白的完形填空（Cloze）prompt；
  • 用于延续字符串前缀的前缀 (Prefix) prompt；

而Google的Instruction Tuning中的Prompt形式更像是一种更明显的指令/指示（可以归为第三种Prompt形式）：

需要注意的是：Instruction Tuning采用多任务学习机制，整个LM模型参数是需要tuned的。构建了大量的多任务数据集；

  • 为每个数据构建了“指令式”的prompt；
  • 采用多任务学习机制进行训练；
  • 更加关注下游任务的Zero-Shot性能；

本篇论文继承了Instruction Tuning思想，下面重点介绍本篇论文的数据集选择和Prompt设计。

2、多任务数据集选择

如上图所示，本篇论文在构造多任务数据集（共171个）时，将黄色部分的任务数据作为训练集，而绿色部分的任务数据作为Zero-Shot测试集。其中，BIG-Bench是一个新的基准评测，创建了多样化的困难任务集合来评测大型语言模型的能力。

数据构建的基本原则就是：Zero-Shot测试集中的数据未在训练集中出现。

3、Prompt设计

这里，JayJay以QQP任务为例（如上图所示），来介绍本篇论文的Prompt设计，共由两部分模板组成：
  • input template：{Question1}{Question2}Pick one:These questions are duplicates or not duplicates.
  • output template：{Choices[label]} 当label=0时，输出为Not duplicates

Hugging Face开发了1个交互式程序用于编写Prompt。为了使模型更加鲁棒，鼓励用户以自己的风格开发创建更加多样化的prompt。共有来自8个国家、24家机构的36位人员参与了prompt贡献。

Prompt开发地址为：github.com/bigscience-w ，感兴趣的小伙伴可以尝试下。本篇论文最终共收集了1939个prompt，所有构建的prompt集合P3（Public Pool of Prompts）也进行了开源(见论文附录G)。

4、实验结果

论文是基于T5+LM模型（基于T5进一步做LM训练）进行训练的，模型参数为11B。经过多任务prompt训练的模型为：

  • T0：基于构建的171个多任务数据集进行训练；
  • T0+：除T0数据集外，新增GPT3的验证集；
  • T0++：除T0数据集外，新增GPT3和SuperGLUE的验证集；
上图给出了T0与GPT-3的Zero-shot性能对比，T0模型在11个数据上中有8个超越了GPT-3。而T0模型比GPT-3比小16倍，GPT-3预训练过程也可看作是基于prompt进行多任务学习的。

不过实验也发现：增加更多训练集数据会不会一致性提升Zero-Shot性能（如上图所示）。

此外，实验也表明：增加更多的Prompt数量，会提升Zero-Shot泛化性能。

5、T0 vs FLAN

上文提到过，本文的T0模型与Google的FLAN模型均属于Instruction Tuning思想，但仍有一些细节区别：

此外：

  • T0++模型几乎在所有任务上超越或比肩FLAN模型，T0模型比FLAN模型小10倍。然而相同量级(8B)的FLAN模型，在多任务学习之后的Zero-Shot性能会下降。
  • FLAN模型发现prompt个数增加反而会降低性能，而T0模型不会。这说明本篇论文构建的prompt更加多样化，从而使模型更加鲁棒、泛化能力更强。

6、总结与思考：

这篇论文构建的prompt数目多达1939个，虽然有程序界面进行设计，但仍然逃脱不了需要人工参与。

prompting时代或许更应该关注prompt的高效设计，比如：如何自动挖掘模板。而prompt-tuning怎样更好地融入多任务学习中，也值得进一步探讨。

此外，本文采用T5这种条件生成模型对所有不同任务进行了统一建模，JayJay更觉得：当前NLP发展正进入一个“大一统时代”：

  • 框架统一：不同NLP任务可采用统一的模型框架建模，如Seq2Seq框架基本上可以建模所有NLP任务。
  • 数据统一：不同NLP任务的数据可以融合prompt构建统一的数据形式，如指令式的prompt。
  • 训练统一：训练方式可采取统一的多任务学习机制。

参考资料

[1] Finetuned Language Models Are Zero-Shot Learners: arxiv.org/pdf/2109.0165

[2] Fine-tune之后的NLP新范式：Prompt越来越火，CMU华人博士后出了篇综述文章: zhuanlan.zhihu.com/p/39

[3] Finetuned Language Models Are Zero-Shot Learners: arxiv.org/pdf/2107.1358

内容中包含的图片若涉及版权问题，请及时与我们联系删除