A Survey of Large Language Models

要約

タイトル：大規模言語モデルの調査
要約：

– 言語は複雑で入り組んだ人間の表現を文法的なルールによって支配されたシステムであるため、言語を理解するためのAIアルゴリズムの開発は課題が大きい。
– ランゲージモデルは、言語理解と生成について、2つの主要なアプローチである。
– 過去20年間で、統計言語モデルからニューラル言語モデルへと進化してきた。
– pre-trained language models (PLMs)は、Transformerモデルを大規模なコーパス上で事前学習することによって提案され、多様なNLPタスクを解決する強力な能力を示している。
– 研究者たちは、モデルのスケーリングがパフォーマンスの向上につながることを発見し、モデルサイズをさらに大きくしてスケーリング効果を調べている。
– パラメーターが一定レベルを超えると、これらの大規模言語モデルは、小規模言語モデルにはない特別な能力を示すようになる。
– 調査論文では、大規模言語モデルの最近の進歩、主要な技術、および利用可能なリソースについて紹介する。提示した内容は、プレトレーニング、適応チューニング、利用、および容量評価である。また、未来の方向性についても議論する。

要約(オリジナル)

Language is essentially a complex, intricate system of human expressions governed by grammatical rules. It poses a significant challenge to develop capable AI algorithms for comprehending and grasping a language. As a major approach, language modeling has been widely studied for language understanding and generation in the past two decades, evolving from statistical language models to neural language models. Recently, pre-trained language models (PLMs) have been proposed by pre-training Transformer models over large-scale corpora, showing strong capabilities in solving various NLP tasks. Since researchers have found that model scaling can lead to performance improvement, they further study the scaling effect by increasing the model size to an even larger size. Interestingly, when the parameter scale exceeds a certain level, these enlarged language models not only achieve a significant performance improvement but also show some special abilities that are not present in small-scale language models. To discriminate the difference in parameter scale, the research community has coined the term large language models (LLM) for the PLMs of significant size. Recently, the research on LLMs has been largely advanced by both academia and industry, and a remarkable progress is the launch of ChatGPT, which has attracted widespread attention from society. The technical evolution of LLMs has been making an important impact on the entire AI community, which would revolutionize the way how we develop and use AI algorithms. In this survey, we review the recent advances of LLMs by introducing the background, key findings, and mainstream techniques. In particular, we focus on four major aspects of LLMs, namely pre-training, adaptation tuning, utilization, and capacity evaluation. Besides, we also summarize the available resources for developing LLMs and discuss the remaining issues for future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI