谷歌新人工智能研究铺平道路,减轻大型语言模型的负担
2023年07月11日 由 Camellia 发表
848281
0
谷歌研究引入了PRP范式来进行更优秀的文本排序。
大型语言模型(LLM),如GPT-3和PaLM,因其在各种自然语言任务上表现出色而受到了广泛关注。然而,在解决文本排序问题时,大型语言模型面临挑战。现有方法往往在与经过训练的基线排名器相比时表现不佳,除非采用全新的依赖于大规模黑盒子GPT-4系统的策略。
在本文中,我们探讨了谷歌研究最近开展的开创性研究,介绍了一种名为“配对排序提示”(PRP)范式,以解决这些限制,并展示了中等规模的开源LLM在排序上的优秀性能。
了解LLM在排序任务中的挑战:
尽管大型语言模型具有令人印象深刻的语言生成能力,但它们在排序任务上表现不佳,这是由于它们在预训练和微调技术中缺乏排序意识。尽管已经采取了点对点和列表式的公式,但它们要求LLM生成经过校准的预测概率,这是一个重大挑战。即使使用列表式技术,仍然会观察到不一致和无意义的输出。此外,当输入文档顺序改变时,排序指标可能会显著下降。
引入配对排序提示(PRP)范式:
谷歌研究提出了PRP范式来解决与LLM排序相关的复杂性和校准问题。PRP在评级任务中将查询和一对文档作为提示,并通过默认提供生成和打分LLM的API,显著降低LLM的任务复杂性。PRP的简单提示架构使大型语言模型能够有效理解排序任务。
实现最先进的排序性能:
谷歌研究团队使用中等规模的开源LLM,并在传统基准数据集上评估PRP。结果具有开创性,超越了以往文献中的先前方法,甚至在较小的模型尺寸下表现优于黑盒子商业GPT-4。在TREC-DL2020上,基于20B参数的FLAN-UL2模型的PRP在NDCG@1指标上优于先前最佳方法5%以上。在TREC-DL2019上,PRP在各种排序指标上表现优于具有175B参数的InstructGPT等解决方案。只有在NDCG@5和NDCG@10指标上,PRP仅落后于GPT-4解决方案。
PRP的其他优点:
除了卓越的排序性能外,PRP还提供了几个额外的优势。它支持用于评分和生成的LLM API,允许灵活使用。PRP对于输入顺序不敏感,解决了改变文档顺序会影响排序指标的问题。此外,研究团队通过检查各种效率增强方法同时保持良好经验性能来证明PRP的效率。
总结:
谷歌研究关于大型语言模型的配对排序提示(PRP)范式的开创性工作,已经在排序任务领域引起了革命。通过利用中等规模的开源LLM,PRP实现了最先进的排序性能,超越了以前依赖于黑盒子商业和更大模型的方法。PRP的简单和有效的提示架构使LLM能够理解和优秀地完成排序任务。此外,PRP提供了用于评分和生成的LLM API,使其成为一种多功能解决方案。通过降低LLM在排序任务上的负担,谷歌研究为自然语言处理和排序技术的未来发展铺平了道路。
来源:https://www.analyticsinsight.net/new-google-ai-research-paves-the-way-to-slash-llm-burden/