作者rumor，北航本硕，NLP算法工程师，谷歌开发者专家

大模型有一个很重要的涌现能力（Emergent ability）就是In-Context Learning（ICL），也是一种新的范式，指在不进行参数更新的情况下，只在输入中加入几个示例就能让模型进行学习，如下图中用ICL做情感分析任务的栗子：

忽略大模型的贵，这个范式具备不少优势：

输入的形式是自然语言，可以让我们可以更好地跟语言模型交互，通过修改模版和示例说明我们想要什么，甚至可以把一些知识直接输入给模型
这种学习方式更接近人类，即通过几个例子去类比，而不是像精调一样从大量语料中统计出规律
相比于监督学习，ICL不需要进行训练，降低了模型适配新任务的成本，同时也提升了language-model-as-a-service这种模式的可行性

是不是开始觉得有些香了，甚至想动手试一试？但又觉得跟自己以前会玩的精调有很大区别，不知道从何下手炼丹？

下面就给大家推荐一篇北大出品的综述，可以在一定程度上减少大家入门ICL的痛苦：

题目：A Survey for In-context Learning
链接：https://arxiv.org/abs/2301.00234

这篇文章非常系统地从精调、推理两个方向上给出了ICL的几种优化方法，接下来我们一一学习：

通过精调优化ICL效果

虽然预训练后的语言模型已经初步具备ICL能力，但预训练的MLM目标和下游ICL目标还是存在gap的，怎样精调才能把模型预热（warmup）、提升ICL效果是一个重要的研究方向。注：这里的「精调」、「预热」不是为了让模型适配某个下游任务，而是让模型具备更好的通用ICL能力

有监督ICL训练

第一类方法非常直觉，既然要消除gap，我直接在有监督的ICL数据上训练不就好了？MetaICL^[1]就直接把很多任务整合成了ICL的形式精调模型，在52个数据集上取得了比肩直接精调的效果。

另外还有部分研究专注于Instruction tuning，构建更好的任务描述让模型去理解，而不是只给几个例子（demonstration），比如LaMDA-PT^[2]、FLAN^[3]。

自监督ICL训练

有监督的数据毕竟是有限的，于是开始有研究者思考能不能借鉴预训练的方式，自监督地进行ICL训练。比如MetaAI的一篇工作^[4]就很巧妙地把语言模型的一些任务转化成了ICL形式：

从上述两种训练方法来看，语言模型的ICL能力还有不少提升空间，因此建议大家使用ICL前最好先进行模型预热。不过也不用太多数据，因为上述的研究显示，随着预热的数据增多，模型的提升会到达一个瓶颈。

在推理阶段优化ICL效果

作者把推理阶段的优化方法分为Prompt设计和打分函数（Scoring Function）设计两种。

Prompt设计

作为激发大模型能力的输入，Prompt对ICL的效果影响很大。作者认为可以从组织方式和格式来进行Prompt的设计。组织方式是指如何选择数据样本并排序，格式是指怎么去写Prompt。

对于数据样本的选取，可以有以下方法：

无监督：比如直接通过文本表示、互信息选取相近的结果；也有研究通过perplexity或者其他指标进行选取；甚至可以直接让语言模型自己生成^[5]。
有监督：既然选取不同的样本能得到不同的效果，那可以直接构造监督模型，去判别效果更好的样本；甚至有研究把样本选择建模成序列决策任务，把最终效果当作reward，用强化学习去做^[6]。

对于数据样本的排序，目前的研究并不多，有两个思路：

基于一些距离度量，把跟输入相近的排在后面（靠近输入）。
在Lu等人^[7]的研究中，他们找到了信息熵和ICL效果的联系，因此根据熵来决定最佳排序。

对于Prompt的格式，常见有两种：指令（Instruction）和推理步骤（Reasoning Steps）说明。

Instruction：任务的指令描述非常依赖人工，不过也可以尝试让语言模型自动生成描述并选择。
Reasoning Steps：对于更复杂的任务，可以人工显示地把推理步骤写出来，比如Chain-of-thought（CoT），来启发模型的推理能力。除了纯人工撰写外，还有以下方法：

让模型自己生成推理步骤
Multi-stage ICL：分多个步骤来完成任务，每一步都设计不同的子问题，让模型一步步解答。比如Self-Ask^[8]这篇工作甚至让模型自己问自己。再比如Least-to-Most Prompting这篇工作先让模型把大问题拆成多个子问题，再挨个回答。

从上述Prompt设计的工作来看，作者认为有以下可以探索或注意的点：

目前大多数样例选择的策略都是围绕单个样本展开的，但语料级别的选择还没有人研究过。
对于k个样本，搜索空间是k!，怎样找到最优解还是一个很有挑战的问题
虽然增加CoT可以提升推理效果，但怎样优化CoT还有待研究
人工去写prompt的消耗还是很大的，可以尽量依靠语言模型去生成

打分函数（Scoring Function）

目前有几种方法：

Direct^[9]：直接取答案的条件概率，这种方法的缺点是只能衡量固定模式的答案（答案y在输入x后面）
Perplexity：再用语言模型过一遍句子，这种方法可以解决上述固定模式的问题，但计算量增加了
Channel^[10]：评估P(x|y)的条件概率（用贝叶斯推一下），这种方法在不平衡数据下表现较好

这三种方法的对比如下：

目前关于如何用打分策略来校准偏差、降低模型敏感度的研究还是比较少，有兴趣的同学可以探索。

还有什么会影响ICL表现？

除了上述提到的方法外，作者还调研到一些LM预训练阶段影响ICL效果的因素，比如：

预训练语料的多样性比数量更重要，增加多种来源的数据可能会提升ICL表现^[11]
用下游任务的数据预训练不一定能提升ICL表现，并且PPL更低的模型也不一定表现更好^[12]
当LM到达一定规模的预训练步数、尺寸后，会涌现出ICL能力^[13]，且ICL效果跟参数量正相关^[14]

为什么ICL有效果？

目前的一些研究猜测有以下原因：

跟训练数据的分布相关：比如训练数据有很多样例^[15]，也有学者认为ICL可能是隐式的Bayesian inference^[16]
跟学习机制相关：有学者猜测LM可能自己就具备学习的能力，在做ICL的时候学到了这些知识^[17]，或者隐式直接精调了自己^[18]
跟Transformer中的模块相关：有学者发现Transformer里的某些注意力头会通过拷贝固定的模式来预测下一个token^[19]

上述大部分研究虽然都有数据来证实自己的猜想，但还是停留在很简单的任务或者小模型上，对于为什么ICL会有效还有待进一步的解释。

[论文解读]北大综述In-context Learning学习分享