贫穷让我预训练

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

一、要不要预训练

预训练的效果是直接的，需要的资源常常令人望而却步。如果存在这种预训练方法，它的启动所需算力、数据和人工资源很少，甚至只需要单人单卡的原始语料。经过无监督的数据处理，完成一次迁移到自己领域的预训练之后，就能获得零样本的nlg、nlg和向量表示推理能力，其他向量表示的召回能力超过bm25，那么你有兴趣尝试吗？

要不要做一件事，需要衡量投入产出来决定。预训练是大事，需要一些前置条件和资源，也要又充足的预期收益才会实行。通常所需要的条件有：充足的语料库建设，通常来说质量比数量更难得，所以语料库的质量可以放松些，数量一定要管够；其次是具备相应的人才储备和人力预算，相较而言，小模型训练更容易，障碍更少，大模型遇到的问题会多些；最后才是算力资源，根据场景和人才搭配，丰俭由人，最好有一块大内存显卡。预训练带来的收益也很直观，迁移模型能直接带来效果提升，提升幅度跟预训练投入和领域差异直接相关，最终收益由模型提升和业务规模共同增益。

在我们的场景中，数据领域跟通用领域差异极大，甚至需要大幅度更替词表，业务规模也已经足够。如果不预训练的话，也会为每个下游任务专门微调模型。预训练的预期收益是确定的。我们的语料库质量上很烂，但是数量足够。算力资源很有限，配合相应的人才储备可弥补。此时预训练的条件都已经具备。

直接决定我们启动预训练的因素是需要维护的下游模型太多了，特别占用机器和人力资源，需要给每个任务都要准备一大堆数据训练出一个专属模型，模型治理的复杂度急剧增加。所以我们探索预训练，希望能构建统一的预训练任务，让各个下游模型都受益。我们做这件事的时候也不是一蹴而就的，需要维护的模型多也意味着模型经验多，结合之前多个项目经验，包括一些自监督学习、对比学习、多任务学习等模型，经过反复实验迭代融合成形的。

上图是传统的nlp流水线范式，基于已有的通用预训练模型，在可选的迁移预训练完成后，为每个下游任务收集数据集，微调训练，并且需要诸多人工和显卡维护多个下游模型和服务。

下图是我们提出的新范式，在迁移到我们领域继续预训练时候，使用联合语言建模任务和对比学习任务，使得产出模型具备零样本的NLU、NLG、向量表示能力，这些能力是模型化的，可以按需取用。如此需要维护的模型就少了，尤其是在项目启动时候可以直接用于调研，如果有需要再进一步微调，需要的数据量也大大降低。

二、如何预训练

这是我们的预训练模型架构，包括Transformer的编码器、解码器和向量表示头。

预训练的目标包括语言建模和对比表示，损失函数为Total Loss = LM Loss + α CL Loss，采用语言建模任务与对比表示任务联合训练，其中α表示权重系数。语言建模采用掩码模型，类似于T5，只解码掩码部分。对比表示任务类似于CLIP，在一个批次内，有一对相关训练正样本，其他未负样本，对于每一条样本对（i,I）中的i，有一个正样本I，其他样本为负样本，使用对称交叉熵损失，迫使正样本的表示相近，负样本的表示相远。采用T5方式解码可以缩短解码长度。一个非线性向量表示头加载编码器上方，一是向量表示场景中要求更快，二是两个所示函数作用远离，防止训练目标冲突。那么问题来了，完形填空的任务很常见，不需要样本，那相似性样本对是怎么来的呢？

当然，作为预训方法，样本对一定是无监督算法挖掘的。通常信息检索领域采用挖掘正样本基本方法是逆完形填空，在一篇文档中挖掘几个片段，假定他们相关。我们这里将文档拆分为句子，然后枚举句子对。我们采用最长公共子串来判定两个句子是否相关。如图取两个正负句对，最长公共子串长到一定程度判定为相似，否则不相似。阈值自取，比如长句子为三个汉字，英文字母要求多一些，短句子可以放松些。

我们采用相关性作为样本对，而不是语义等价性，是因为二者目标是冲突的。如上图所示，猫抓老鼠跟老鼠抓猫，语义相反却相关。我们的场景搜索为主，更加侧重相关性。而且相关性比语义等价性更广泛，语义等价更适合在相关性基础上继续微调。

有些句子筛选多次，有些句子没有被筛选。我们限制句子入选频次上限。对于落选句子，可以复制作为正样本，可以拼接到入选句子中，还可以用逆向完型填空作为正样本。

传统的掩码方式如SpanBert，采用几何分布采样掩码长度，短掩码概率高，长掩码概率低，适用于长句子。但我们的语料是支离破碎的，当面对一二十个字的短句子时，传统倾向掩码两个单字胜过遮蔽一个双字，这不符合我们期望。所以我们改进了这个分布，让他采样最优长度的概率最大，其他长度概率逐次降低，就像一个骆驼的驼峰，成为驼峰几何分布，在我们短句富集的场景中更加健壮。

三、实验效果

我们做了对照实验。包括GUR-FULL，用到了语言建模和向量对比表示；UR-LCS的样本对没有经过LCS筛选过滤；UR-CL没有对比表示学习，相当于传统的语言模型；GUR-LM只有向量对比表示学习，没有语言建模学习，相当于为下游任务专门微调；NLPC是百度场内的一个word2vec算子。

实验从一个T5-small开始继续预训练。训练语料包括维基百科、维基文库、CSL和我们的自有语料。我们的自有语料从物料库抓来的，质量很差，质量最佳的部分是物料库的标题。所以在其他文档中挖正样本时是近乎任意文本对筛选，而在我们语料库中是用标题匹配正文的每一个句子。GUR-LCS没有经过LCS选，如果不这样干的话，样本对太烂了，这么做的话，跟GUR-FULL差别就小多了。

我们在几个检索任务中评测模型的向量表示效果。左图是几个模型在召回中的表现，我们发现经过向量表示学习的模型表现都是最好的，胜过BM25。我们还比较了排序目标，这回BM25扳回一局。这表明密集模型的泛化能力强，稀疏模型的确定性强，二者可以互补。实际上在信息检索领域的下游任务中，密集模型和稀疏模型经常搭配使用。

上图是在不同训练样本量的NLU评测任务，每个任务有几十到几百个类别，以ACC得分评估效果。GUR模型还将分类的标签转化为向量，来为每个句子找到最近的标签。上图从左到右依据训练样本量递增分别是零样本、小样本和充足微调评测。右图是经过充足微调之后的模型表现，表明了各个子任务的本身难度，也是零样本和小样本表现的天花板。可见GUR模型可以依靠向量表示就可以在一些分类任务中实现零样本推理。并且GUR模型的小样本能力表现最突出。

这是在NLG的零样本表现。我们在做标题生成和query扩展中，挖掘优质流量的标题，将关键词保留，非关键词随机掩码，经过语言建模训练的模型表现都不错。这种自动prompt效果跟人工构造的目标效果差不多，多样性更广泛，能够满足大批量生产。经过语言建模任务的几个模型表现差不多，上图采用GUR模型样例。

四、结语

本文提出了一种新的预训练范式，上述对照实验表明了，联合训练不会造成目标冲突。GUR模型在继续预训练时，可以在保持语言建模能力的基础上，增加向量表示的能力。一次预训练，到处零原样本推理。适合业务部门低成本预训练。

上述链接记载了我们的训练细节，参考文献详见论文引用，代码版本比论文新一点。希望能给AI民主化做一点微小贡献。大小模型有各自应用场景，GUR模型除了直接用于下游任务之外，还可以结合大模型使用。我们在流水线中先用小模型识别再用大模型指令任务，大模型也可以给小模型生产样本，GUR小模型可以给大模型提供向量检索。