关键词：
GLUE, NLI, Entailment, F1, PC, MC
GPT-1 是一个阶段实验报告, 文章类似博客形式发表，发表时注明该模型还在研发阶段。
原文 《Improving Language Understanding by Generative Pre-Training, 2018》
1.概述 (Introduction & Related Work)
Transformer架构优势明显：能处理长程依赖，提高迁移性能，优于LSTM。其有以下两点趋势：
-
数据范式：
- 生成式（generative）：预测文本序列，用无标签数据预训练。
- 判别式（discriminative）：直接预测标签，需要标注数据，用于微调。
-
双阶段训练：
- 生成式预训练 (Pre-train)+ 判别式微调(Fine-tuning)是NLP任务的有效策略，可充分利用大量无标签文本。
- 任务无关的通用表示可迁移到多种下游任务 (Pre-train)，只需最小架构调整即可显著超越专门设计的判别式模型(Fine-tuning)。
2. 方法部分 (Framework)
2.1 损失函数
- 无监督预训练 (Unsupervised pre-training)
- 有监督微调 (Supervised fine-tuning)
- 改进微调 ，在微调时加上语言建模损失，作为辅助目标（auxiliary objective）
- 提高监督模型的泛化能力；
- 加速收敛。
| 阶段 | 目标 | 数据类型 | 核心思想 | 输出 |
|---|---|---|---|---|
| 预训练 | 最大化语言模型似然 (L_1) | 无标签文本 | 学习通用语言表示 | Transformer 解码器权重 |
| 微调 | 最大化监督目标 (L_2) | 带标签任务 | 学习任务特定能力 | 分类或推理预测结果 |
| 联合目标 | (L_3 = L_2 + λ\lambdaλ L_1) | 有标签任务 + 辅助语言建模 | 稳定收敛，防止过拟合 | 改进泛化性能 |
- 常用两类损失函数
| 特性 | Cross-Entropy | F1 Loss |
|---|---|---|
| 优化目标 | 最大化单个样本的正确分类概率 | 最大化整体 Precision-Recall 平衡 |
| 类别不平衡 | 容易偏向多数类 | 对少数类更敏感 |
| 可微性 | 完全可微 | 需要 soft 近似处理 |
| 应用场景 | 大多数分类任务 | 类别严重不平衡，或想直接优化 F1-score 的任务 |
2.2 微调
NLP的下游任务可以归纳为分类任务，即双选/多选题，具体如下：
| 任务 | "下一个逻辑单元" 的含义 |
|---|---|
| 分类任务 | 类别标签（text label 或特殊token） |
| 蕴含/相似性 | 二分类或多分类, 关系标签包括（entailment-contradiction-neutral / similar / dissimilar） |
| 问答 | 正确答案候选 |
| 语言建模 | 下一个词（自然语言token） |
- 输出
| 任务类型 | 输入格式（示例） | 输出内容 | 输出解释 |
|---|---|---|---|
| 1️⃣ 文本分类 (Text Classification) | [<s>, text, </s>] |
类别标签的概率分布 | 模型最后一个 token 的表示 → 线性+softmax → 输出类别概率。 例如情感分类输出 [positive, negative] 两类概率。 |
| 2️⃣ 文本蕴含 (Textual Entailment) | [<s>, 前提(premise), $, 假设(hypothesis）, </s>] |
三类概率: entailment （蕴含）/ contradiction（矛盾） / neutral（中立） |
模型输出一个分类概率分布，判断假设是否被前提蕴含。 |
| 3️⃣ 相似度任务 (Sentence Similarity) | 两个输入顺序：[<s>, s1, $, s2, </s>] 与 [<s>, s2, $, s1, </s>] |
相似度得分（实数或类别） | 两个方向的输出 hidden 向量求和，再经线性层 → softmax（或回归值）。 |
| 4️⃣ 问答 / 常识推理 (QA / Commonsense Reasoning) | [<s>, context, question, $, answer_k, </s>] (每个候选答案独立输入) |
候选答案分布 | 模型对每个 [z;q;$;a_k] 输出一个标量得分，经 softmax 得到"正确答案"。 |
- 模型输出结构
如图：
2.3 实验设置部分
-
Unsupervised pre-training
- 数据集：
- 使用 BooksCorpus 数据集：包含 7000+ 未出版书籍，涵盖冒险、奇幻、爱情等多种体裁。
- 特点：文本连续性强，有利于模型学习长程依赖。
- 对比数据集：1B Word Benchmark（ELMo 使用）大小相近，但其句子打乱，无长程结构。
- 模型性能：在 BooksCorpus 上， token-level perplexity = 18.4。
- 数据集：
-
Model specifications
-
架构：
- 12 层 decoder-only Transformer，带 masked self-attention。
- 隐藏层维度：768，注意力头数：12。
- 前馈网络维度：3072。
-
训练参数：
- 优化器：Adam，最大学习率 2.5e-4。
- 学习率调度：前 2000 步线性升高，之后采用余弦衰减（cosine schedule）。
- 训练周期：100 epochs，每批 64 个随机采样的 512-token 连续序列。
- 正则化：LayerNorm 全局使用，权重初始化 N(0,0.02) 足够。
- Dropout：残差、embedding、attention 均 0.1。
- L2 正则化：非 bias/gain 权重 w=0.01。
- 激活函数：GELU。
-
位置编码：学习位置 embedding（learned），替代 Transformer 原文的 sinusoidal 位置编码。
-
分词与文本预处理：
- 使用 BPE，40,000 merges。
- 使用 ftfy 清洗文本，标准化标点/空格。
- 使用 spaCy tokenizer。
-
Fine-tuning details
- 超参数继承：除非特别说明，否则沿用预训练设置。
- 额外Dropout：在分类头上加0.1的dropout。
- 学习率：6.25×10⁻⁵（比预训练小，防止灾难性遗忘）。
- batch size：32
- 训练轮数：一般3个epoch就收敛。
- 学习率调度：
- 前0.2%的训练步骤warmup；
- 线性下降（linear decay）。
- 损失函数：任务相关（分类通常为cross-entropy）。
-
3. 实验 Experiments
实验涉及多任务类型数据, 具体如表1：
3.1 GLUE
GLUE（General Language Understanding Evaluation）是在 2018 年提出的多任务自然语言理解基准，目的是让模型学习到多任务的通用语言理解能力，并评测模型在多任务上的泛化能力，多任务类型包括：
- 自然语言推理（NLI）
- 句子相似度（Semantic Similarity）
- 文本蕴含（Entailment）
- 情感分类（Sentiment Classification）
- 可接受性判断（Acceptability Judgment）
- 语义等价（Paraphrase Detection）等。
原始 GLUE 论文（2018）中介绍的任务共 9 个主任务（部分任务包含多个子集），如下：
| 类型 | 数据集名称 | 简介 |
|---|---|---|
| 单句分类 | CoLA (Corpus of Linguistic Acceptability) | 判断句子语法是否可接受（binary） |
| SST-2 (Stanford Sentiment Treebank) | 判断影评句子的情感极性（positive / negative） | |
| 句子对分类 | MRPC (Microsoft Research Paraphrase Corpus) | 判断两句是否语义等价（paraphrase） |
| QQP (Quora Question Pairs) | 判断两句 Quora 问题是否意思相同（duplicate） | |
| 自然语言推理 | MNLI (Multi-Genre NLI) | 判断句子对间关系（entailment / contradiction / neutral） |
| QNLI (Question NLI) | 从 SQuAD 改造，用于判定答案句是否蕴含问题（entailment / not-entailment） | |
| RTE (Recognizing Textual Entailment) | 整合 RTE1~RTE5，判断文本是否蕴含假设句 | |
| WNLI (Winograd NLI) | 基于 Winograd Schema，测试代词指代推理能力 | |
| 语义相似度回归 | STS-B (Semantic Textual Similarity Benchmark) | 句对相似度评分（1~5） |
| 自然语言推理多域验证 | MNLI-m / MNLI-mm | 分别代表 matched（同域）与 mismatched（异域）评测集 |
在Hugging Face Datasets中，将MNLI分为两个子集，并增加 AX集 (Analysis Set), 如图：
其中AX是一个人工构造的小规模评测集，大约 1100 个样本，由语言学专家人工编写，专门用来诊断模型在不同语言现象上的理解能力。
AX不计入 GLUE 总分（GLUE score），只用于分析模型的语言学行为和推理能力，分数一般在 20--50 之间。
3.1 NLI数据集
定义：给定一对句子 (T, H)，判断 T 是否能蕴含 H（T ⇒ H）
-
二分类：如果 T 为真，H 是否也必然为真？
-
三分类：若不为真，句子T,H的逻辑是对立关系(contradiction)，还是无关系(neutral)
NLI数据集包括
SNLI, MultiNLI, QNLI, RTE, SciTail
基本介绍如下：
| 任务 | 输入类型 | 标签类别 | 数据来源 | 任务重点 |
|---|---|---|---|---|
| SNLI | (premise, hypothesis) | entail / neutral / contra | 图像 caption | 推理语义关系 |
| MNLI | (premise, hypothesis) | entail / neutral / contra | 多领域文本 | 泛化能力 |
| RTE | (premise, hypothesis) | entail / not_entail | 多任务融合小集 | 少样本 |
| QNLI | (question, sentence) | entail / not_entail | Wikipedia QA 转换 | 语义匹配与问答逻辑 |
| SciTail | (sentence1, sentence2) | entail / neutral | 科学考试 QA 转换 | 科学推理 |
3.1.1 RTE
RTE （Recognizing Textual Entailment）是最早系统化定义"语义蕴含"任务的项目（始于 2005 年），由 PASCAL (Pattern Analysis, Statistical Modelling and Computational Learning) Recognizing Textual Entailment Challenge 发起。
RTE是早期 NLI 标准任务，数据少、领域广，无法通过大规模训练记忆，需靠语言理解泛化能力，考验语言理解的泛化能力。
RTE1--RTE5 是自然语言推理任务的演化轨迹：从最初的"句子级语义蕴含" → "跨句推理" → "文档更新检测"。
为后来 SNLI、MNLI、QNLI 等大规模 NLI 数据集奠定了定义、格式与评测标准:
| 届数 | 年份 | 规模 | 来源 | 新特征 | 难度 |
|---|---|---|---|---|---|
| RTE-1 | 2005 | 800 | 新闻、QA、IE | 定义任务 | ⭐ |
| RTE-2 | 2006 | 800 | QA、IE、IR | 增加dev、标准化 | ⭐⭐ |
| RTE-3 | 2007 | 800 | QA、MT、IE | 句子更长、标注更严 | ⭐⭐⭐ |
| RTE-4 | 2008 | 1000 | 新闻、Wiki | 文档级pilot任务 | ⭐⭐⭐⭐ |
| RTE-5 | 2009 | 1200 | 新闻更新检测 | 跨文档更新推理 | ⭐⭐⭐⭐ |
相关版本：
| 子集 | 年份 | 来源 | 样本数 |
|---|---|---|---|
| RTE1--RTE5 | 2005--2009 | 新闻、问答、信息抽取 | 各 800--1600 |
| SICK (RTE-like) | 2014 | 图片描述、句法转换 | 10k |
| GLUE 中 RTE | 合并自 RTE1--RTE5 + SICK + SNLI 小样本 | 2.5k 训练样本 |
GLUE 作者将这些数据统一清洗为一个标准格式（两句 + Entailment / Not Entailment 标签）。
3.1.2 SNLI （Stanford Natural Language Inference Corpus）
SNLI 由斯坦福大学在 2015 年提出，核心目标是创建一个大规模、自然、语义多样的 NLI 数据集。
为了让句子语义自然，其选用图像描述数据集 Flickr30k 的文本标题（caption）作为前提句（premise）。
- Flickr30k 数据基础：
| 项目 | 内容 |
|---|---|
| 数据集名称 | Flickr30k |
| 图片数量 | 31,783 张 |
| 每张图片的标题数 | 5 条 captions（由人工撰写） |
| 总标题数（caption 数量） | 约 31,783 × 5 ≈ 158,915 条 |
具体如下：
- SNLI 的样本生成机制
| 步骤 | 内容 |
|---|---|
| ① | 从 Flickr30k 数据集中选取数10万条图像描述（caption），如： → "A man is playing a guitar on stage." |
| ② | 将每条caption作为前提句 (premise)。 |
| ③ | 使用众包平台（Amazon Mechanical Turk, AMT）让人工标注者为每个前提句编写三种类型的假设句 (hypothesis )： 必然为真 （Entailment）--- 必然为假 （Contradiction）--- 真假不定（Neutral） |
| ④ | 收集标注者写出的句子，形成成对的文本样本（premise, hypothesis, label）。 |
每个前提句有 5个标注者标记 3个标签类型，即一个前提句可生成 15 个假设句，共150w句对。经过筛选、验证和清理后，最终得到约 57 万个高质量句对。
3.1.3 MultiNLI（Multi-Genre Natural Language Inference）
MNLI（MultiNLI） 是 SNLI 的扩展版，它包含来自 10 种语体（genres） 的英文文本，例如：
- Fiction（小说）
- Telephone speech（电话语音）
- Government reports（政府文件）
- Slate magazine（新闻评论）
- Travel guides（旅游指南）等。
每个样本都是一个句子对（premise, hypothesis），任务是预测它们的关系：
entailment（蕴含） / contradiction（矛盾） / neutral（中立）。
MNLI包含：MNLI-m（matched） 和 MNLI-mm（mismatched）:
| 名称 | 含义 | 举例 | 评估目的 |
|---|---|---|---|
| MNLI-matched (MNLI-m) | 同域测试集（matched）：测试数据来自与训练集相同的语体（genre） | 如果模型在"fiction"语体上训练，那么测试样本也来自"fiction"等已见过的域 | 检查模型在熟悉领域中的泛化性能 |
| MNLI-mismatched (MNLI-mm) | 异域测试集（mismatched）：测试数据来自与训练集不同的语体 | 模型在"fiction"等上训练，但在"telephone speech"或"government reports"上测试 | 检查模型在**未见领域（out-of-domain）**的泛化能力 |
- 具体结构：
- glue版本：
3.1.4 QNLI （Question NLI）
QNLI 是 GLUE Benchmark（2018） 的核心八个子任务之一。由问答任务（SQuAD）改造成的自然语言推理（NLI）任务。
基本信息：
| 项目 | 内容 |
|---|---|
| 全名 | Question-answering Natural Language Inference (QNLI) |
| 来源 | 由 SQuAD v1.1 (Stanford Question Answering Dataset) 改造而来 |
| 任务类型 | 二分类 (Binary classification) |
| 输入形式 | (question, sentence) 对 |
| 输出标签 | "entailment" / "not entailment"（是否能回答问题） |
| 评测指标 | Accuracy |
| 所属类别 | 自然语言推理（NLI）类任务 |
| GLUE 任务编号 | 通常排第 7 位 |
- SQuAD v1.1
一个抽取式问答任务：
- 输入：一个文章段落 + 一个问题
- 输出：从文章中抽取出一个片段作为答案
例如：
Paragraph: "The Eiffel Tower is located in Paris."
Question: "Where is the Eiffel Tower located?"
Answer: "in Paris."- 转换方式
| 原 SQuAD 元素 | QNLI 对应形式 |
|---|---|
| Question | Premise / Sentence 1 |
| Context Sentence | Hypothesis / Sentence 2 |
| 是否包含正确答案？ | NLI 标签（entailment / not entailment） |
如果该句子中包含回答问题所需的信息 → "entailment"；否则 → "not entailment"。
- 数据量
| 数据集 | 训练集 | 验证集 | 测试集 |
|---|---|---|---|
| QNLI | ≈ 105K | ≈ 5.4K | ≈ 5.4K |
- HF的格式
3.1.5 SciTail
SciTail 是由 AI2 的科学问答数据集（Science Question Answering Dataset） 用脚本自动构造的。
-
构造过程
- 从 science QA 数据集 中选取问题及正确答案；
- 将 question + correct answer 组合成 hypothesis；
- 从包含该问题的相关文档（或支持证据）中选取句子作为 premise；
- 若 premise 能支持 hypothesis → entailment；若不能 → neutral（注意：没有 contradiction 标签）。
-
数据特征
| 特征 | 说明 |
|---|---|
| 科学领域特化 | 全部语料来源于 science QA，测试知识推理 |
| 由 QA → NLI 转换 | 与 QNLI 类似，都是"句对化问答"任务 |
| 标签为二分类（entail / neutral） | 没有 contradiction，语义判定更细腻 |
| 考察常识+科学知识 | 需要模型具有一定 factual & commonsense reasoning 能力 |
- 数据规模
| 集合 | 样本数 |
|---|---|
| 训练集 | ≈ 23K |
| 验证集 | ≈ 1.3K |
| 测试集 | ≈ 2.1K |
- 数据样例
3.2 NLI任务评测
各数据集评测结果：
| 数据集 | 来源领域 | 特点 | 模型提升幅度 |
|---|---|---|---|
| SNLI | 图像标题 | 语义简单但结构规范 | +0.6% |
| MNLI (MultiNLI) | 多领域 | 演讲/小说/新闻/政府报告等覆盖广、难度高 | +1.5% |
| QNLI (Question NLI) | Wikipedia | 由问答任务转化为NLI | +5.8% |
| SciTail | 科学考试 | 科学知识推理 | +5% |
| RTE | 新闻报道 | 传统小规模RTE任务，未使用多任务训练 | 56%（低于对比模型61.7%） |
准确率结果如表2：
其中MNLI-m/mm 分别为 matched / mismatched（同域/异域）评估集
4. QA-知识问答
问答与常识推理（Question Answering & Commonsense Reasoning）包括Story Cloze, RACE。
测试模型的多句理解能力、长文本阅读理解能力与常识逻辑推理。
4.1 Story Cloze
常识推理 (commonsense reasoning) 的经典 benchmark。
每个样本是一个 四句开头 + 两个候选结尾，选择一个更合理结尾(二选一)。
模型需要理解叙事逻辑 + 人类常识 + 情感合理性。示例：
Context (前四句)
1. John went to the kitchen.
2. He saw a big cake on the table.
3. He was very hungry.
4. He picked up a knife.
Two possible endings:
* (A) He cut the cake and had a slice. ✅
* (B) He washed the knife and put it away. ❌4.2 RACE
RACE (Reading Comprehension Dataset from Exams)，中国中高考英语题。
涉及长文本理解、多句推理、词汇消歧义与推测人物意图。
模型不仅要"找句子"，还要能"理解整篇文章结构与上下文逻辑"。
| 项目 | 内容 |
|---|---|
| 来源论文 | Lai et al., "RACE: Large-scale ReAding Comprehension Dataset From Examinations" EMNLP 2017 |
| 数据来源 | 中国初高中英语考试题（middle & high school， 12 to 18 岁） |
| 任务类型 | Multi-choice reading comprehension（4选1，阅读理解） |
| 规模 | 约 27,933 篇文章，97,687 个问题，约 280,000 个选项 |
| 评测指标 | Accuracy（正确选项选择率） |
- 三个子集
| 子集 | 名称 | 来源 | 难度 | 文章数 / 问题数 | 主要特点 |
|---|---|---|---|---|---|
| RACE-m | Middle school subset | 初中英语考试 | ⭐⭐（中等） | ~6,409 篇 / 25,421 问题 | 句子短、选项易辨别、推理浅显 |
| RACE-h | High school subset | 高中英语考试 | ⭐⭐⭐⭐（困难） | ~21,524 篇 / 72,266 问题 | 篇章长、题目更抽象、涉及推理与隐含信息 |
| RACE | 合集 (RACE-m + RACE-h) | 全体 | 混合 | 27,933 篇 / 97,687 问题 | 综合性评测 |
4.3 测试性能
-
结果
- Story Cloze：86.5%，比前最佳（77.6%）提升 +8.9%
- RACE-m：62.9%，RACE-h：57.4%，整体 RACE：59.0%，总体提升+5%以上
-
结论
- GPT-1 的 Transformer LM 经过下游任务微调（fine-tuning）后，显著优于此前基于 RNN 与融合网络的模型。
- 在两个任务中都表现出强跨句推理与长程依赖建模能力。
具体结果如表3所示：
5. 分类&语义相似-数据集
- 分类: CoLA, SST2
- Semantic Similarity: MRPC, STSB, QQP
- 综合GLUE- 数据集分类
| 任务类型 | 数据集 | 核心能力 | 输出类型 |
|---|---|---|---|
| 分类 | CoLA | 语法理解 | MC |
| 分类 | SST-2 | 情感分析 | Accuracy |
| 语义相似性 | MRPC | 句子重写判定 | F1 / Acc |
| 语义相似性 | STS-B | 语义相似度评分 | Pearson / Spearman Correlation |
| 语义相似性 | QQP | 问题重复判定 | F1 / Acc |
| 综合 | GLUE | 多任务迁移能力 | 各子任务指标综合 |
- 评价指标
| 数据集 | 样本分布 | 使用指标 |
|---|---|---|
| SST-2 | 平衡 | Accuracy 足够 |
| MRPC | 正例少，负例多 | F1 更能衡量模型识别少数类能力 |
| QQP | 正例少，负例多 | 同上 |
| CoLA | 二分类但不平衡 | 使用 Matthew's Correlation (MC) 更适合语法可接受性判断 |
| STS-B | 连续评分 | 用 Pearson / Spearman 衡量线性和秩相关性 |
-
离散标签
- Acc: 样本分类平衡
- F1 : 侧重评估模型对正类的分类表现
- MC: 样本不平衡时替代Acc，需要衡量正负分类的一致性
-
连续性输出（回归问题）
- Pearson Correlation: 两个连续变量的线性相关程度, 衡量"数值精确匹配度"
- Spearman Correlation: 两个变量的秩（rank）相关性, 衡量"排序一致性"
5.1 分类数据集 (Classification)
5.1.1 CoLA (Corpus of Linguistic Acceptability)
| 项目 | 内容 |
|---|---|
| 类型 | 二分类 (binary classification) |
| 任务 | 判断句子是否符合英语语法（grammatical vs ungrammatical） |
| 数据来源 | 来自语言学论文和语料库，由专家标注 |
| 样本量 | 8,551 训练样本 / 1,043 验证 / 1,064 测试 |
| 评测指标 | Matthew's Correlation (MC) |
| 难点 | 语法感知任务，模型需捕捉深层语言结构和句法规则 |
| 研究意义 | 测量模型的语法敏感性 和语言规则理解能力 |
5.1.2 SST-2 (Stanford Sentiment Treebank 2)
| 项目 | 内容 |
|---|---|
| 类型 | 二分类 (binary classification) |
| 任务 | 句子级情感分类（正面/负面） |
| 数据来源 | IMDb 影评语料 |
| 样本量 | 67,349 训练 / 872 验证 / 1,821 测试 |
| 评测指标 | Accuracy |
| 难点 | 情感表达通常依赖于上下文、否定词、词序，甚至讽刺 |
| 研究意义 | 测量模型对情感理解的能力，是典型文本分类任务 |
5.2 语义相似性任务 (Semantic Similarity)
5.2.1 MRPC (Microsoft Research Paraphrase Corpus)
| 项目 | 内容 |
|---|---|
| 类型 | 二分类 (paraphrase / not paraphrase) |
| 任务 | 判断两句话是否在语义上等价 |
| 数据来源 | 新闻文本对，Microsoft Research 提供 |
| 样本量 | 3,668 训练 / 408 验证 / 1,725 测试 |
| 评测指标 | F1-score / Accuracy |
| 难点 | 需要理解同义改写、否定、语序变化和语义消歧 |
| 研究意义 | 测量模型的语义理解和句子级推理能力 |
5.2.2 STS-B (Semantic Textual Similarity Benchmark)
| 项目 | 内容 |
|---|---|
| 类型 | 回归 (0--5 分的相似度评分) |
| 任务 | 预测两句子语义相似度（连续值） |
| 数据来源 | 来自新闻、论坛、Wikipedia、图片描述等多种语料 |
| 样本量 | 5,749 训练 / 1,500 验证 / 1,379 测试 |
| 评测指标 | Pearson / Spearman correlation |
| 难点 | 精细的语义判断，区分部分重叠、逻辑相反或上下文不同的句子 |
| 研究意义 | 测量模型的语义相似度理解能力，用于下游检索、QA 等任务 |
5.2.3 QQP (Quora Question Pairs)
| 项目 | 内容 |
|---|---|
| 类型 | 二分类 (duplicate / not duplicate) |
| 任务 | 判断两个 Quora 问题是否语义重复 |
| 数据来源 | Quora 网站公开数据 |
| 样本量 | 364,000 训练 / 40,000 验证 / 390,000 测试 |
| 评测指标 | F1-score / Accuracy |
| 难点 | 问题可能用不同方式表达同一个意思，需理解同义替换和长短句 |
| 研究意义 | 测量模型问句语义匹配能力，对 FAQ、问答系统很重要 |
5.3 性能评测
- 分类任务
- CoLA：提升巨大（+10.4），说明模型对语法可接受性学习能力强，能够捕捉内在语言规律。
- SST-2：91.3% 与前最佳接近，说明模型在标准情感分类任务上也有良好性能。
- 相似性匹配
- MRPC：提升显著（≈9.5% F1），说明模型在 小规模句子重写/同义句匹配上能力很强。
- STS-B：提升 1 个点 Pearson，表明模型能够 更精准地预测连续语义相似度。
- QQP：F1 提升 1.4%，说明在大规模重复问题匹配上也有稳定改进。
- GLUE
- 从小数据集（STS-B, 5.7k）到大数据集（SNLI, 550k）均表现稳定(SOTA)
具体如图:
6. 性能分析
这一部分主要讨论 两个核心问题：
- Transfer Learning（层转移的影响）：预训练模型的不同层参与微调，对下游任务影响
- Zero-shot 性能：不依赖监督微调，直接用预训练语言模型解决任务的能力(vs LSTM)
6.1 层转移（Figure 2 left）
- 实验思路：
- 将不同数量的 transformer 层从无监督预训练模型迁移到 下游监督任务
- 评估迁移层数对 MultiNLI（NLI任务） 和 RACE（问答任务） 的性能影响
- 观察结果：
- 只迁移 embedding 层 → 性能已有明显提升
- 增加 transformer 层迁移 → 性能逐层提升
- MultiNLI 全部层迁移 → 性能提升约 9%
- 结论
- 每一层 transformer 都包含有用的表示能力，对下游任务都有贡献
- 预训练模型层越多，迁移效果越明显
- 图示通常是 x轴：迁移层数，y轴：任务性能
- 线条向上趋势 → 层数增加性能提升
直观理解：预训练模型的深层表示越丰富，对下游理解任务的帮助越大。
6.2 Zero-shot 性能（Figure 2 right）
- 实验目标：为什么预训练 transformer 有效，即不依赖下游微调时的能力，设计一系列启发式解法（heuristics）：
- CoLA：使用平均 token log-probability 预测句子语法是否正确
- SST-2：在句子末尾添加 token very 并限制输出为 positive/negative，用概率高的词预测
- RACE：选择生成概率最高的答案
- DPRD (Winograd)：用两种可能的指代替换句子，选择 log-probability 高的选项
- 观察结果
- 零样本性能随预训练进程稳定增长
- Transformer 比 LSTM 波动小 → 表明 Transformer 的结构 inductive bias 有利于迁移
- 结论：预训练语言模型学到了广泛的、任务相关的能力，即使没有微调也能解决多种任务
6.3 三个消融实验 (Ablation studies)
- 去掉语言建模损失（微调时，除分类交叉熵、F1损失外，加入预测下一个 token 的交叉熵）
- 替换 Transformer 为 LSTM（单层 2048 单元）
- 去掉预训练（直接在下游任务上训练 Transformer）- 目的：量化各个设计选择对 下游任务表现 的影响
(1) 去掉 语言建模损失（auxiliary LM objective）
- 实验：Transformer 进行微调时不使用辅助 LM 目标
- 观察：
- 对 NLI（MNLI, QNLI, RTE）和 QQP 有提升大数据集受益
| 数据集 | 数据规模 | 影响 aux LM |
|---|---|---|
| MNLI | 大 (~392k) | 显著受益 |
| QQP | 大 (~363k) | 显著受益 |
| QNLI | 中 (~104k) | 有一定受益 |
| RTE | 小 (~2.5k) | 干扰 |
* 对中小规模数据集无用，甚至性能下降：
* CoLA: ~8.5k train
* SST-2: ~67k train
* MRPC: ~3.7k train
* STS-B: ~5.7k train- 结论：
- 辅助 LM 目标帮助模型在大规模数据任务中捕捉更多上下文信息
(2) Transformer vs LSTM
- 实验：把 Transformer 替换为单层 2048 单元 LSTM，其他训练框架保持一致
- 观察：
- 平均得分下降 5.6
- LSTM 仅在 MRPC 上略好
- 结论：
- Transformer 的结构（多层自注意力）更适合捕捉长程依赖和复杂语义关系
- LSTM 在句子对小规模语义匹配任务（MRPC）表现稍好，适合数据量小且任务短文本
(3) 去掉预训练（直接训练 Transformer）
- 实验：不使用大规模无监督预训练，直接在下游任务上训练 Transformer
- 观察：
- 平均得分下降 14.8%，几乎在所有任务上性能下降
- 结论：
- 预训练模型在大规模语料学习到的语义、句法和世界知识对下游任务迁移至关重要，是性能提升的核心原因。
上述结果如表5：
总结
Transformer结构 + 预训练 + auxiliary LM 是LLM多任务性能最优组合