91书院(91shuyuan.com)更新快，无弹窗！
lt;/P>
大部分程序员能写个三四种语言，就已经相当不得了了。</P>
并且，即便一位懂得某个语言，他的实力也未必就能看得懂具体的项目。</P>
孟繁岐非常怀疑大模型是否真的理解了每个项目的具体意义，但唯一肯定的是，大量代码对模型的效果帮助的确很大。</P>
而等到【指令微调】和【代码训练】都做完之后，孟繁岐就需要做一种基于人类反馈的强化学习了。</P>
chatGpt与此前各种测试版本的达芬奇3.5模型相比，一个很大的区别就是它经过了RLhF。</P>
chatGpt后来很多新的能力，那些显得非常智能的能力，都是基于人类反馈而诞生的功能。</P>
比如相对详实的回应，chatGpt相比原始的大语言模型显得有些啰嗦，它会倾向于给出更为全面的回答。</P>
并且，对于涉及多方利益的事情，它很喜欢端水，以免显得过于偏向某一方，显得是在【站队】。</P>
以及拒绝不当问题的能力，这也相当程度上依赖人类的反馈去调整模型。</P>
bing大小姐显得那么傲娇，主要就是因为微软的人在人类反馈上显得更加傲娇。</P>
最为神奇的部分，就是chatGpt拒绝回答新事件的能力。它会经常说，自己只知道2021年之前的事情，基于人类的反馈使得chatGpt能够模糊地知晓那些东西在这个时间范围内，哪些东西并不在内。</P>
虽然chatGpt并不是每一次都能够判断正确，但这仍旧是相当神奇的事情，人们至今无法知晓，它究竟是通过什么方式来判断某些话题是否在时间范围内的。</P>
经过前世和现在的大量测试和实验，closeAI认为绝大部分【能力】和【知识】，都是在初次训练之后，模型已经具备了的。</P>
不论是【指令微调】还是【RLhF】，都只是【解锁】了模型的能力。</P>
得出这个结论是因为，对比训练时候使用的无敌庞大数据来说，做【指令微调】又或者是【RLhF】，所使用的数据和计算量都是相对要小很多的。</P>
换句话来说，这种微调工作，其实最大的一个效果是【让模型知道它不知道什么】。</P>
这句话可能有些拗口，但是对一个大语言模型来说，让模型清楚的知道自己懂什么，不懂什么，其实是一件非常困难的事情。</P>
研究人员们很难想到一种逻辑类型的规则去约束模型，他们也不知道模型到底知道什么，不知道什么。</P>
在人类用户的使用当中，不怕模型说不懂，就怕模型它不懂装懂。</P>
所谓【知之为知之，不知为不知，是知也！】</P>
如果用户询问了一个非常刁钻的问题，模型不知道，它老老实实地说了，反而会给人一种，【有点分寸，有点东西】的感觉。</P>
可若是一通瞎说，驴唇不对马嘴，那就显得异常愚蠢了。</P>
RLhF最初的目的是让模型尽可能生成符合人类预期的回答，但却意外地让模型有分寸了很多。</P>
对自己懂的问题更自信，对自己不懂的问题也大概有了数。</P>
“经过【指令微调】，【代码训练】和【RLhF】三部曲之后，我这款350亿参数的chatGpt差不多能够做到原版1750亿参数的chatGpt大约9成的水平了。”</P>
由于孟繁岐熟知Gpt4和同期其他大模型的优势地方，350亿参数大概是够用的。</P>
chatGpt本身的进化过程，还是走了弯路踩了坑的。</P>
但chatGpt虽然是现象级的产品，却也存在着自己的问题，它并不是完美的。</P>
等到孟繁岐今年完成初版之后，他就不得不面对这类的难题。</P>
比如模型奇奇怪怪的信念。</P>
chatGpt可能会非常坚信某件事，即便它显然是错误的。</P>
甚至，当你举出反例的时候，它会赞同你的反例，但还是坚信这件事。</P>
这件事情非常的微妙。</P>
比如它会说，81是一个质数。这显然是错误的，你对它说，九九八十一，它会大方地承认的确如此。</P>
但与此同时，它仍旧会坚持，81是一个质数。</P>
这就是一个非常让人恼火的场景，一方面，它能够非常清晰地说出质数的定义，甚至比人类更加严谨客观。</P>
可同时，它却没有办法遵从这种严格的定义，自己发觉自己做了一个非常错误的判断。</P>
当然了，这种信念的程度在不同的问题上会有程度的差异，如果用户执意要挑逗试探模型的话，就会发现它有时候会坚持，有时候你说什么他都会怀疑自己错了。</P>
这种通用的大模型，暂时没法进行特别严格的推理证明。</P>
举一个更加简单的例子，它甚至会做错简单的数学运算。</P>
“不过好在算术这方面的问题2023年已经有解决的思路了。”Gpt4的更新思路是插件，Gpt不擅长做算术，会把简单的东西算错，既然如此，那就引入插件，让专门的程序去负责专业领域的任务。