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：
– 自然言語は人の表現の複雑で複雑なシステムであるため、AIアルゴリズムを開発するのは大きな課題である。
– 過去20年間、言語モデリングの主なアプローチとして、言語理解や生成のために統計的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。
– 最近では、大規模なコーパスを用いてTransformerモデルを事前学習することで、プレトレーニング言語モデル(PLMs)が提案され、様々なNLPタスクの解決能力が強化されたことが示された。
– モデルスケーリングによるパフォーマンス向上が可能であることが分かったため、研究者たちはパラメータサイズをさらに大きくした大規模な言語モデル(LLM)についても研究を進めている。
– LLMの研究は大きく進歩しており、「ChatGPT」の発売など、社会的注目を集めている。
– 本調査では、背景、主要な技術、および主流の技術について紹介し、PLMs、適応調整、利用、および容量評価の4つの主要な側面に重点を置いてLLMsの最近の進歩をレビューする。
– また、LLMsの開発に利用可能なリソースをまとめ、将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