2018 年，Google 首次推出 BERT（Bidirectional Encoder Representations from Transformers）。该模型是在大量文本语料库上结合无监督和监督学习进行训练的。 BERT 的目标是创建一种语言模型，可以理解句子中单词的上下文和含义，同时考虑到它前后出现的单词。
2018 年，OpenAI 首次推出 GPT（Generative Pre-trained Transformer）。与 BERT 一样，GPT 也是一种大规模预训练语言模型。但是，GPT 是一种生成模型，它能够自行生成文本。 GPT 的目标是创建一种语言模型，该模型可以生成连贯且适当的上下文文本。
BERT和GPT是两种基于Transformer架构的预训练模型，BERT侧重于理解句子中的上下文和含义，适合词语级别的任务；而GPT则专注于生成连贯的文本，适用于生成式任务。两者在训练方式、任务目标和适用场景上有所不同，BERT使用掩码语言模型和下一句预测，GPT采用自回归语言模型。
首先我们拿BERT、GPT和ELMo【关于ELMO在上篇《词向量 - 从Word2Vec到ELMo》中已经有介绍】的模型结构图做一个简要对比，可以帮助更清晰的理解三类模型的差异。
BERT是基于Transformer架构的双向编码器。它通过掩码语言建模和下一个句子预测的任务进行无监督预训练。
GPT是基于Transformer架构，它是一个单向的生成式模型。GPT通过自回归方式预训练，即根据前面的词预测下一个词。
简单来说，如果我们把 ELMO 的特征抽取器(LSTM)换成Transformer，那么我们会得到 BERT模型结构。如果我们把 GPT 预训练阶段换成双向语言模型，也会得到 BERT模型结构。
BERT, GPT之间的不同点
-
关于特征提取器：
-
GPT和BERT采用Transformer进行特征提取；
-
BERT采用的是Transformer架构中的Encoder模块；
-
GPT采用的是Transformer架构中的Decoder模块。
-
-
单/双向语言模型:
-
GPT和BERT都源于Transformer架构；
-
GPT的单向语言模型采用了经过修改后的Decoder模块，Decoder采用了look-ahead mask，只能看到context before上文信息，未来的信息都被mask掉了；
-
BERT的双向语言模型采用了Encoder模块，Encoder只采用了padding mask，可以同时看到context before上文信息，以及context after下文信息。
-
很多NLP任务表明Transformer的特征提取能力强于LSTM，
对于ELMo而言，采用1层静态token embedding + 2层LSTM，提取特征的能力有限。
BERT, GPT各自的优点和缺点
-
GPT：
-
优点：GPT使用了Transformer提取特征，使得模型能力大幅提升。
-
缺点：GPT只使用了单向Decoder，无法融合未来的信息。
-
-
BERT：
-
优点：BERT使用了双向Transformer提取特征，使得模型能力大幅提升。添加了两个预训练任务, 掩蔽语言模型(MLM) + 下一句预测(NSP)的多任务方式进行模型预训练。
-
缺点：模型过于庞大，参数量太多，需要的数据和算力要求过高，训练好的模型应用场景要求高。更适合用于语言嵌入表达，语言理解方面的任务，不适合用于生成式的任务。
-