今天openAI发布了GPT-4。直接把PaLM卷到开放API了，相信google是真的被卷麻了。
GPT4附赠了一个98页的报告(没有论文)，报告前面是性能和应用报告，中间是一些附录，最后是技术报告。我就按顺序来给大家讲讲，先讲应用报告。相信很多公众号大概都吹了一波GPT4，我希望我的讲解可以更深入一些，把问题、难点和领域更多地呈现给大家。
作者团队来自openAI，比较神奇的是前面没写作者。报告里把贡献名单放到了最后，足足有3页，按照职能划分。一般的电影里的名单都很长，但大家都不会看完，但这次大家都看得很仔细，试图通过人员分布来发现openAI技术投入的侧重点。值得深思
Introduction
整个应用报告部分其实没有什么技术，有点像是发布会吹牛逼部分的文字版，带有非常多的实验与结果。总体而言，GPT4比GPT3的区别可以总结为以下几点：
- GPT4支持KOSMOS类的图片输入
- GPT4有更好的多语言能力
- GPT4比GPT3.5有更好的事实能力，并且极大地提高了”安全性“
- 在简单问题上，GPT4和GPT3.5区别不大，只有问题复杂性达到一定地步以后，才能拉开差距
除此之外，关于，模型细节，报告没有任何提供细节，只说了这样一段话：
This report focuses on the capabilities, limitations, and safety properties of GPT-4. GPT-4 is a Transformer-style model [33] pre-trained to predict the next token in a document, using both publicly available data (such as internet data) and data licensed from third-party providers. The model was then fine-tuned using Reinforcement Learning from Human Feedback (RLHF) [34]. Given both the competitive landscape and the safety implications of large-scale models like GPT-4, this report contains no further details about the architecture (including model size), hardware, training compute, dataset construction, training method, or similar.
我为大家提取一下关键点：
- transofmer-based，但没说一定是transformer结构。
关于这一点，如果读了最近很多论文linearAttn等等，就会发现什么都能和transformer-based扯上关系，连CNN四舍五入也算transformer。所以这个说了等于没说，也不知道openAI做了什么优化使得大模型训练表现得稳定而且优异。
- 基础模型按照auto-regressive方式训练：嗯，唯一的关键点就是，一次生成一个token
这一点上，虽然报告没说，但我们得知GPT4 的sequence-length打到了32768，比之前3.5提高了4倍。在这一点上，如何节省显存，如何构造寻找真正符合长度的、好的训练数据，都是很难、很值得研究的方向。
- 没提训练数据的任何信息，也没提代码数据的来源
- 没提模型规模，和模型结构
- pretrain结束以后，使用了RLHF。但RLHF的过程、数据规模没提
模型规模一直是大家期待的一个点，之前有人说大到1000B，也有人说小到10B，结果最后一点没提。
Predictable Scaling
power-law
这一部分很有意思，作者提到经典的大模型训练很难调参，因为经典的一次run就已经开销非常大了。GPT4开发出了一种基于power-law的方法可以在低至10000倍的训练时间下，就很吻合地预测出最终在下游任务上的表现。使用如下公式： \[ L(C) = a C^b + c \] 对于复杂的pass@k之类的指标，使用更复杂的拟合等式： \[ \mathbb{E}_p[\log (\text{pass-rate}(C))] = a * C^{-k} \]
大概是用前面ckpt的测试结果拟合a、b、c，不知道之前大家有没有做个这件事情。
我相信openAI内部一定是尝试了transformer的各种变体，对于各个任务做了这么一个工作流，然后每个变体都试了试，拟合一个最终loss，最后决定了具体使用怎样的模型结构、训练超参。
另外，这个拟合结果这么好，足以说明transformer真的是非常符合power-law的，以及现在的所有模型还都没有撞到性能墙，可以继续扩大规模、扩大epoch地训练下去。
Inverse Scaling Prize
这一部分，作者还额外提到了一个任务类型：探索一个随着模型大小增长，表现越来越差的任务。
之前有一类工作专门找到了这样的数据集，作者提到：GPT4在这里表现出了相反的情况，效果打到了100%。这里我想提两个关键点
- 首先这个”相反趋势“不是首创的，我记得之前PaLM里面好像就提过这个事情，说到了"U型"的趋势
- 最起码在这里的语境下，表明GPT4不是一个”小模型“，之前10B的论断可能不太准确。
capability
这一部分，作者系统性地吹了一波GPT4的表现，我就找一些比较好的实验来说一下吧。
exam result & academic benchmark
这里包含三个实验，
- 作者首先在比较有名的人类考试里召集实验者和GPT4，GPT3.5进行了笔试，发现GPT4基本可以排在前10%，而3.5只能排在后10%。
- 后者，academic benchmark就是指传统的score。作者发现GPT4在几条样本few-shot的情况下，基本可以战胜所有对任务做了额外优化的训练方法
- 对于RLHF的性能，由于训练是human，评测也只能human。作者说基于GPT4的RLHF比ChatGPT的版本，人类有70%的概率觉得更好。
多语言
为了评测多语言性能，作者把认可度比较高的MMLU多类别选择题数据集翻译成了26种语言，并且输入给GPT4进行学习。发现在这些语言上做的都非常好。
这其实是一个很神奇的地方，我们虽然不知道数据集情况，但可以想见某些小语种的数据一定不是很多。但模型随着某种语言(英语)的学习，竟然就能表现出很好的泛化到多语言的能力。这是不是说明人类的语言内在的相关性其实是很好把握的？
另一个思考的层面是，这个实验没有做GPT3.5以及PaLM等的版本，不知道这种“对于多语言的理解泛化能力”是不是和in-context learning能力类似，是随着模型基础性能的提升才“突然地”激增出来的。这也是值得我们探索的问题。
这里可以看出一个趋势，对于大模型来说，传统的academic score其实并不能说明什么，大家已经刷的很高了，而且score高和human prefer其实没有很大的相关性。最后主试验还是要通过”在human exam上比较排名“的方式，某种程度上已经说明了评测领域的不足和缺陷。
想必openAI也注意到了这一点，专门提到他们开源了所有测试的代码(OpenAI Evals)，已经GPT4在每条数据上的结果，来帮助大家对自己的模型进行评测，后续也会完善这个框架。估计评测的问题应该会吸引更多的关注吧。
图像
这就是作者的另一个卖点，输入图像。其实用Autoregressive做图像输入，openAI早有先见。最开始的DALL.E 1,就是把pixel表示直接通过Autoregressive输出来实现图像生成的。
作者虽然没有提具体的细节，但现在主流的方法PaLM-E等都是用一个专门的图像编码器来编码图像，然后作为"token embedding"注入到sequence里面去的，不知道openAI是不是在自己DALL.E 2那个不开源的超级text2image数据集上整了个新的图像编码器。但看起来能力确实很强。
不只是输入，在这里我还是觉得以后可以像versatile diffusion一样做出图像模态的输出来，直接套一个类似DALL.E 2的unCLIP prior模型大概就能有模有样。我甚至怀疑，他们已经做了，只是效果不尽如人意，或者“存在潜在的偏见和风险”，所以没有放出来。
另一方面，关于这种图像输入的模式，不知道是谁先发明的。虽然Kosmos说他们是 the first step，但我们从GPT4技术报告可以看到：其实GPT4早在去年8月份就已经训练完成了。
走向多模态、通用性，才是未来大模型的发展方向呀。
limitation
这一部分，作者分析了事实性错误、幻觉现象、偏见、危险内容等等信息，大致得出了两个结论：
- GPT4的安全性比GPT3.5大大提升
- 但是GPT4也没有“很安全”，大家谨慎使用
上面这种图我不是想说score的高低，我只是想吐槽：什么时候chatgpt都有v2,v2,v3,v4了，我怎么我感觉我火星了……
作者在MMLU做了一个很有意思的自检测实验：
模型自己认为置信度高的回答，很可能最终的置信度就是真的很高。
这个结论比较符合之前的研究结果。某种意义上，这说明模型自身对于所谓“安全性”是有一定认知的。但作者走的更进一步，也检测了RLHF后的模型，发现这种偏序关系基本消失了。
我认为，也许RLHF或者类似的方法，更重要的是通过模型参数一些小小的迭代，激发出来模型对于自身输出回答的可靠性的认知。所以RLHF模型自己丧失了偏序能力。这也许侧面说明，我们有可能通过更简单的方法，比如prompt等，达到RLHF的效果（当然，RLHF的单步RL假设已经够简单了……
最后作者总结了文章的贡献，并且很自信的说了一句：
Though there remains much work to be done, GPT-4 represents a significant step towards broadly useful and safely deployed AI systems.
我的思考
一篇看下来，感觉最大的震撼是：openAI的一切基本都是自己的，而且所有层面都是领先的
- 自己提出的Autoregressive训练方法
- 自己研发的高效训练平台
- 自己制作的闭源数据集
- 自己创造的评测框架
- 自己聘用的人工评测、安全性评估专家团队
回过头想想，之前GPT1被BERT迎头痛击以后，openAI还是没有放弃Autoregressive，一直在迭代版本，不知道积累了多少idea和失败的实验经验，几年下来，已经和我们形成了技术壁垒了。98页的报告其实说了很多，但也什么都没说。我们想要赶上，最起码得在最少一个层面做出自己的突破呀。
当然，我们也有一些自己的优势，比如最起码，我们不用饱受“安全性、偏见”的困扰。也许对我们来说，只用技术报告最后一句话的前半句更合适一些：
There remains much work to be done
是机遇，也是挑战，可能挑战更多一些。与君共勉。
以上内容由GPT4生成(bushi