概述
XLNet 通过随机词序训练，将 BERT 的双向上下文与 GPT 的自回归预测融合在一起。这种排列技巧让它可以从所有位置学习，而无需屏蔽标记。
XLNet 排列建模是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
XLNet 由卡内基梅隆大学和 Google Brain 于 2019 年推出，旨在修复 BERT 式预训练中的缺陷。 BERT 屏蔽标记并预测它们，但人工 [MASK] 符号在微调时永远不会出现，从而造成训练/测试不匹配，并且 BERT 假设屏蔽标记是独立的。相反，XLNet 使用“排列语言建模”：它最大化序列中单词的所有可能排序的预期对数似然。通过在给定其他标记的随机子集的情况下预测每个标记，该模型可以有效地看到双向上下文，同时保持适当的自回归模型，无需屏蔽。 XLNet 建立在用于远程记忆的 Transformer-XL 主干之上，在大约 20 项任务上的表现优于 BERT，包括问答、情感分析和文档排名。
技术洞察
XLNet 不会物理地打乱单词；它通过注意掩码排列分解顺序，因此位置信息被保留。为了实现这项工作，它使用“双流自注意力”：一个对令牌及其上下文进行编码的内容流，以及一个知道目标位置但不知道其内容的查询流，从而能够在不泄露答案的情况下进行预测。 Transformer-XL 的循环和相对位置编码使其能够跨长段进行记忆，从而改善对长文档的处理。
掌握 XLNet 排列建模
XLNet 通过随机词序训练，将 BERT 的双向上下文与 GPT 的自回归预测融合在一起。这种排列技巧让它可以从所有位置学习，而无需屏蔽标记。 XLNet 排列建模是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将 XLNet 排列建模视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用 XLNet 排列建模的强大团队将提示、检索和审查循环设计为一个集成通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在 SQuAD 等问答基准测试中取得最高成绩
通过 Transformer-XL 内存处理长文档任务，例如 RACE 阅读理解测试
为文档排名和信息检索系统提供支持
在 BERT 基线上改进情感分类和文本分类
实施模式
XLNet 排列建模实践
在 SQuAD 等问答基准测试中取得最高成绩。
如果要在 SQuAD 等问答基准测试中取得最佳结果，当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
XLNet 排列建模实践
通过 Transformer-XL 内存处理长文档任务，例如 RACE 阅读理解测试。
通过 Transformer-XL 内存处理长文档任务，例如 RACE 阅读理解测试 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
XLNet 排列建模实践
为文档排名和信息检索系统提供支持。
为文档排名和信息检索系统提供支持 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
XLNet 排列建模实践
在 BERT 基线上改进情感分类和文本分类。
在 BERT 基线上改进情感分类和文本分类 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。