GPT3
模型过于巨大
GPT3是T5参数量的10倍！
训练GPT3的代价是$12百万美元
Zero-shot Ability
GPT3的思想是不是能拿掉Fine-tune
只需要给定few-shot或者zero-shot就能干相应的任务了。
- few-shot learning（no gradient descent）： 给一点点的prompt
- one-shot learning： 给一个prompt
- zero-shot leaning：什么都不给
few-shot 是没有微调模型的，没有梯度下降，这些文字是让模型知道做什么。
将这种能力叫做"In-context Learning"
GPT3在42个任务上的表现，随着模型参数越来越大，模型性能越来越好。
相关能力
Closed Book QA
闭卷直接问，比如说喜马拉雅山的高度是多少，few-shot learning 超过了fine-tuned sota。
随着few-shot给的数量越多，性能越来越好。
GPT3也可以做生成相关的任务，比如生成文章。产生的新闻可以骗过人类。
gpt3能做数学相关的任务，使用模型的参数越大，正确率也越高，两位数的加法和两位数的减法上表现非常好，三位数的减法也不错，加法效果要差一点，更困难的就效果比较差了。
在zero-shot和one-shot效果不行，在few-shot上效果要好一点，在ANLI的任务上效果不好，即给定两个矛盾的句子，判断两个句子是否矛盾。
训练数据是从网上爬取的数据，但是无法避免爬取的内容中是否含有任务的数据，相当于拿问题的数据进行训练再来回答任务的数据。
- clean data：gpt3没有看过这些数据
- dirty data：gpt3有看过这些数据
Turing Advice Challenge
gpt3给建议。
与人类的建议做一些比较，效果还一般。
GPT产生图像，一行一行的产生图像。
