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：

– 言語は文法ルールに支配された人間の複雑な表現システムであるため、言語を理解するための能力のあるAIアルゴリズムを開発することは大きな課題となっている。
– 過去20年間、統計的言語モデルからニューラル言語モデルまで、言語理解と生成のために広く研究が行われてきた。
– 最近は、大規模なコーパス上でTransformerモデルの事前学習を行うことで、プレトレーニングされた言語モデル（PLM）が提案され、さまざまなNLPタスクを解決する強力な能力を示すようになった。
– さらに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が判明したため、モデルサイズを拡大してさらに研究が進められるようになった。この拡大が一定レベルを超えると、大規模な言語モデル（LLM）は性能向上だけでなく、小規模な言語モデルには存在しない特別な能力も示すようになる。
– LLMの研究は最近、学術界と産業界の両方で大幅に前進しており、ChatGPTのリリースなどによって一般にも注目されている。
– LLMの進化は、AIコミュニティ全体に重要な影響を与えており、AIアルゴリズムの開発・利用方法を革新する可能性があることを示唆している。
– この調査では、背景、主な発見、および主流技術を紹介することで、LLMの最近の進歩をレビューする。特に、プレトレーニング、調整チューニング、利用、および容量評価の4つの主要な側面に焦点を当てる。さらに、LLMを開発するための利用可能なリソースをまとめ、将来の方向性に残された課題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