Dự đoán mã thông báo tiếp theo
Dự đoán mã thông báo tiếp theo là mục tiêu có vẻ đơn giản đằng sau các mô hình kiểu GPT: dựa trên mọi thứ cho đến nay, hãy đoán đoạn văn bản tiếp theo.
Tổng quan
Repeated billions of times, this single task produces models that write, reason, and converse.
Lặn sâu
Dự đoán mã thông báo tiếp theo đào tạo một mô hình để gán xác suất cho mã thông báo tiếp theo dựa trên tất cả các mã thông báo trước đó. Văn bản đầu tiên được chia thành các mã thông báo (các phần từ phụ) bằng mã thông báo như mã hóa cặp byte. Bộ biến áp chỉ có bộ giải mã sẽ đọc chuỗi từ trái sang phải và đưa ra phân bố xác suất trên toàn bộ từ vựng cho vị trí tiếp theo. Trong quá trình đào tạo, mô hình được hiển thị khối văn bản lớn và bị phạt bất cứ khi nào nó gán xác suất thấp cho mã thông báo tiếp theo thực tế. Tại thời điểm tạo, mô hình lấy mẫu hoặc tham lam chọn một mã thông báo, nối thêm nó và lặp lại vòng lặp này một cách tự động. Mục tiêu này có quy mô đáng kể: GPT-2, GPT-3 và những phiên bản kế nhiệm đều học ngữ pháp, sự kiện, bản dịch và lý luận hoàn toàn bằng cách dự đoán mã thông báo tiếp theo rất giỏi.
Hiểu biết kỹ thuật
Cơ chế chính là sự tự chú ý theo nguyên nhân (được che đậy): khi dự đoán vị trí N, mô hình chỉ có thể quan tâm đến các vị trí từ 1 đến N-1, không bao giờ quan tâm đến tương lai. Lớp đầu ra chiếu trạng thái ẩn cuối cùng vào từ vựng và áp dụng softmax để có được xác suất. Việc đào tạo giảm thiểu entropy chéo, tương đương với việc tối đa hóa khả năng của văn bản được quan sát. Các biện pháp kiểm soát lấy mẫu như nhiệt độ và top-p định hình lại sự phân phối đó theo suy luận để đánh đổi sự sáng tạo với độ tin cậy.
Tác động chiến lược
Tốc độ và tỷ lệ
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Truy cập và tiếp cận
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Quyết định rõ ràng hơn
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Tương lai của dự đoán mã thông báo tiếp theo
Dự đoán mã thông báo tiếp theo về cơ bản là nền tảng cho tất cả các mô hình ngôn ngữ lớn hiện đại và sẽ vẫn là xương sống của AI tổng hợp. Nghiên cứu đang mở rộng nó với các cửa sổ ngữ cảnh dài hơn, giải mã suy đoán và song song để tăng tốc độ cũng như các mục tiêu dự đoán nhiều mã thông báo để đoán một số mã thông báo trong tương lai cùng một lúc. Học tập tăng cường từ các lớp phản hồi của con người ở trên cùng để điều chỉnh kết quả đầu ra. Biên giới đang làm cho cùng một mục tiêu đơn giản trở nên rẻ hơn, nhanh hơn và dễ kiểm soát hơn ở quy mô ngày càng lớn hơn.
Triển khai trong thế giới thực
Hỗ trợ ChatGPT và các trợ lý tương tự để tạo phản hồi hội thoại bằng từng mã thông báo.
Tự động hoàn thành và đề xuất mã trong các công cụ như GitHub Copilot khi bạn nhập.
Soạn thảo email, bài viết và bản sao tiếp thị từ một lời nhắc ngắn.
Tạo văn bản theo thời gian thực trong trợ lý viết để hoàn thành câu của bạn.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Next-Token Prediction quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Đào tạo dự đoán nhiều mã thông báo
Câu hỏi thường gặp
What is Next-Token Prediction?
Dự đoán mã thông báo tiếp theo là mục tiêu có vẻ đơn giản đằng sau các mô hình kiểu GPT: dựa trên mọi thứ cho đến nay, hãy đoán đoạn văn bản tiếp theo. Được lặp đi lặp lại hàng tỷ lần, nhiệm vụ đơn lẻ này tạo ra các mô hình viết, suy luận và trò chuyện.
Mô hình dự đoán mã thông báo tiếp theo đưa ra kết quả gì ở mỗi bước?
Mô hình tạo ra xác suất cho mọi mã thông báo tiếp theo có thể có, sau đó một mã thông báo được chọn thông qua lấy mẫu hoặc lựa chọn tham lam.
Bộ giải mã kiểu GPT sử dụng loại chú ý nào?
Mặt nạ nhân quả đảm bảo vị trí N chỉ có thể nhìn thấy các vị trí trước nó, duy trì thiết lập dự đoán từ trái sang phải.
Thế hệ 'tự thoái lui' ở đây có ý nghĩa gì?
Quá trình tạo tự động hồi quy tạo ra một mã thông báo, thêm nó vào ngữ cảnh và lặp lại vòng lặp.
Chức năng mất mát nào thường được giảm thiểu trong quá trình đào tạo?
Entropy chéo sẽ phạt mô hình vì chỉ định xác suất thấp cho mã thông báo thực sự tiếp theo, tương đương với việc tối đa hóa khả năng.
Việc tăng nhiệt độ trong quá trình lấy mẫu có tác dụng gì?
Nhiệt độ cao hơn làm phẳng phân bố xác suất, tăng tính ngẫu nhiên; nhiệt độ thấp hơn làm cho sự lựa chọn thận trọng hơn.