大型預訓練語言模型其中一個重要的特點就是上下文學習（In-Context Learning，ICL）能力，即通過一些示范性的輸入-標簽對，就可以在不更新參數的情況下對新輸入的標簽進行預測。

性能雖然上去了，但大模型的ICL能力到底從何而來仍然是一個開放的問題。

為了更好地理解ICL的工作原理，清華大學、北京大學和微軟的研究人員共同發表了一篇論文，將語言模型解釋為元優化器（meta-optimizer），并將ICL理解為一種隱性的（implicit）微調。

論文鏈接：?https://arxiv.org/abs/2212.10559?

從理論上講，這篇文章弄清楚了Transformer注意力中存在一個基于梯度下降優化的對偶形式（dual form），并在此基礎上，對ICL的理解如下。GPT首先根據示范實例產生元梯度，然后將這些元梯度應用于原始的GPT，建立ICL模型。

在實驗中，研究人員綜合比較了ICL和基于真實任務的顯式微調的行為，以提供支持該理解的經驗證據。

結果證明，ICL在預測層面、表征層面和注意行為層面的表現與顯式微調類似。

此外，受到元優化理解的啟發，通過與基于動量的梯度下降算法的類比，文中還設計了一個基于動量的注意力，比普通的注意力有更好的表現，從另一個方面再次支持了該理解的正確性，也展現了利用該理解對模型做進一步設計的潛力。

ICL的原理

研究人員首先對Transformer中的線性注意力機制進行了定性分析，以找出它與基于梯度下降的優化之間的對偶形式。然后將ICL與顯式微調進行比較，并在這兩種優化形式之間建立聯系。

Transformer注意力就是元優化

設X是整個query的輸入表征，X'是示例的表征，q是查詢向量，則在ICL設置下，模型中一個head的注意力結果如下:

可以看到，去除縮放因子根號d和softmax后，標準的注意力機制可以近似為：

將Wzsl設為Zero-Shot Learning(ZSL)的初始參數后，Transformer注意力可以轉為下面的對偶形式：

可以看到，ICL可以被解釋為一個元優化（meta-optimization）的過程：

1. 將基于Transformer的預訓練語言模型作為一個元優化器；

2. 通過正向計算，根據示范樣例計算元梯度；

3. 通過注意力機制，將元梯度應用于原始語言模型上，建立一個ICL模型。

ICL和微調對比

為了比較ICL的元優化和顯式優化，研究人員設計了一個具體的微調設置作為比較的基線：考慮到ICL只直接作用于注意力的key和value，所以微調也只更新key和value投影的參數。

同樣在非嚴謹形式下的線性注意力中，微調后的head注意力結果可以被表述為：

為了與ICL進行更公平的比較，實驗中進一步將微調設置限制如下：

1. 將訓練例子指定為ICL的示范樣例；

2. 只對每個例子進行一步訓練，其順序與ICL的示范順序相同；

3. 用ICL所用的模板對每個訓練樣例進行格式化，并使用因果語言建模目標進行微調。

比較后可以發現，ICL與微調有許多共同的屬性，主要包括四個方面。

都是梯度下降

可以發現ICL和微調都對Wzsl進行了更新，即梯度下降，唯一的區別是，ICL通過正向計算產生元梯度，而finetuning通過反向傳播獲得真正的梯度。

相同的訓練信息

ICL的元梯度是根據示范樣例獲得的，微調的梯度也是從相同的訓練樣本中得到的，也就是說，ICL和微調共享相同的訓練信息來源。

訓練樣例的因果順序相同

ICL和微調共享訓練樣例的因果順序，ICL用的是decoder-only Transformers，因此示例中的后續token不會影響到前面的token；而對于微調，由于訓練示例的順序相同，并且只訓練一個epoch，所以也可以保證后面的樣本對前面的樣本沒有影響。

都作用于注意力

與zero-shot學習相比，ICL和微調的直接影響都僅限于注意力中key和value的計算。對于ICL來說，模型參數是不變的，它將示例信息編碼為額外的key和value以改變注意力行為；對于微調中引入的限制，訓練信息也只能作用到注意力key和value的投影矩陣中。

基于ICL和微調之間的這些共同特性，研究人員認為將ICL理解為一種隱性微調是合理的。

實驗部分

任務和數據集

研究人員選擇了橫跨三個分類任務的六個數據集來對比ICL和微調，包括SST2、SST-5、MR和Subj四個用于情感分類的數據集；AGNews是一個話題分類數據集；CB用于自然語言推理。

實驗設置

模型部分使用了兩個類似于GPT的預訓練語言模型，由fairseq發布，其參數量分別為1.3B和2.7B.

對于每個任務，使用相同的模板來對ZSL、ICL和微調的樣本進行格式化。

結果

準確率

與ZSL相比，ICL和微調都取得了相當大的改進，這意味著它們的優化，對這些下游任務都有幫助。此外，ICL在少數情況下比微調更好。

Rec2FTP（Recall to Finetuning Predictions）

GPT模型在六個數據集上的得分結果顯示，平均而言，ICL可以正確預測 87.64%的例子，而微調可以糾正ZSL。在預測層面，ICL可以覆蓋大部分正確的的行為進行微調。

SimAOU(Similarity of Attention Output Updates)

從結果中可以發現，ICL更新與微調更新的相似度遠高于隨機更新，也意味著在表示層面上，ICL傾向于以與微調變化相同的方向改變注意力結果。

SimAM(Similarity of Attention Map)

作為SimAM的基線指標，ZSL SimAM計算了ICL注意力權重和ZSL注意力權重之間的相似度。通過比較這兩個指標，可以觀察到，與ZSL相比，ICL更傾向于產生與微調相似的注意力權重。

同樣，在注意力行為層面，實驗結果證明了ICL的行為與微調相似。