?時間線

2018 年 6 月

OpenAI發(fā)布GPT-1模型，1.1億參數(shù)。

2018 年 11 月

OpenAI發(fā)布GPT-2模型，15億參數(shù)，但由于擔(dān)心濫用，不向公眾開放模型的全部代碼及數(shù)據(jù)。

2019 年 2 月

OpenAI開放了GPT-2模型的部分代碼和數(shù)據(jù)，但仍然限制了訪問。

2019 年 6 月 10 日

OpenAI發(fā)布GPT-3模型，1750億參數(shù)，并向部分合作伙伴提供了訪問權(quán)限。

2019 年 9 月

OpenAI開放了GPT-2的全部代碼和數(shù)據(jù)，并發(fā)布了更大版本。

2020 年 5 月

OpenAI宣布推出GPT-3模型的beta版本，該模型擁有1750億個參數(shù)，是迄今為止最大的自然語言處理模型。

2022 年 3 月

OpenAI發(fā)布InstructGPT，用到 Instruction Tuning

2022 年 11 月 30 日

OpenAI通過GPT-3.5系列大型語言模型微調(diào)而成的，全新對話式AI模型ChatGPT正式發(fā)布。

2022 年 12 月 15 日

ChatGPT 第一次更新，提升了總體性能，增加了保存和查看歷史對話記錄的新功能。

2023 年 1 月 9 日

ChatGPT 第二次更新，改善了回答的真實性，增加了“停止生成”新功能。

2023 年 1 月 21 日

OpenAI發(fā)布限于部分用戶使用的付費(fèi)版ChatGPT Professional。

2023 年 1 月 30 日

ChatGPT第三次更新，在此提升了答案真實性的同時，還提升了數(shù)學(xué)能力。

2023 年 2 月 2 日

OpenAI正式推出ChatGPT收費(fèi)版訂閱服務(wù)，新版本對比免費(fèi)版響應(yīng)速度更快，運(yùn)行更為穩(wěn)定。

2023 年 3 月 15 日

OpenAI震撼推出了大型多模態(tài)模型GPT-4，不僅能夠閱讀文字，還能識別圖像，并生成文本結(jié)果，現(xiàn)已接入ChatGPT 向Plus用戶開放。

GPT-1：基于單向Transformer的預(yù)訓(xùn)練模型    

在 GPT 出現(xiàn)之前，NLP 模型主要是基于針對特定任務(wù)的大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。這會導(dǎo)致一些限制：

大規(guī)模高質(zhì)量的標(biāo)注數(shù)據(jù)不易獲得；

模型僅限于所接受的訓(xùn)練，泛化能力不足；

無法執(zhí)行開箱即用的任務(wù)，限制了模型的落地應(yīng)用。

為了克服這些問題，OpenAI走上了預(yù)訓(xùn)練大模型的道路。GPT-1是由OpenAI于2018年發(fā)布的第一個預(yù)訓(xùn)練模型，它采用了單向Transformer模型，并使用了超過40GB的文本數(shù)據(jù)進(jìn)行訓(xùn)練。GPT-1的關(guān)鍵特征是：生成式預(yù)訓(xùn)練（無監(jiān)督）+判別式任務(wù)精調(diào)（有監(jiān)督）。先用無監(jiān)督學(xué)習(xí)的預(yù)訓(xùn)練，在 8 個 GPU 上花費(fèi) 了1 個月的時間，從大量未標(biāo)注數(shù)據(jù)中增強(qiáng)AI系統(tǒng)的語言能力，獲得大量知識，然后進(jìn)行有監(jiān)督的微調(diào)，與大型數(shù)據(jù)集集成來提高系統(tǒng)在NLP任務(wù)中的性能。GPT-1在文本生成和理解任務(wù)上表現(xiàn)出了很好的性能，成為了當(dāng)時最先進(jìn)的自然語言處理模型之一。

GPT-2：多任務(wù)預(yù)訓(xùn)練模型

由于單任務(wù)模型缺乏泛化性，并且多任務(wù)學(xué)習(xí)需要大量有效訓(xùn)練對，GPT-2在GPT-1的基礎(chǔ)上進(jìn)行了擴(kuò)展和優(yōu)化，去掉了有監(jiān)督學(xué)習(xí)，只保留了無監(jiān)督學(xué)習(xí)。GPT-2采用了更大的文本數(shù)據(jù)和更強(qiáng)大的計算資源進(jìn)行訓(xùn)練，參數(shù)規(guī)模達(dá)到了1.5億，遠(yuǎn)超過GPT-1的1.1億參數(shù)。除了使用更大的數(shù)據(jù)集和更大的模型去學(xué)習(xí)，GPT-2還提出了一個新的更難的任務(wù):零樣本學(xué)習(xí)（zero-shot），即將預(yù)訓(xùn)練好的模型直接應(yīng)用于諸多的下游任務(wù)。GPT-2在多項自然語言處理任務(wù)上表現(xiàn)出了卓越的性能，包括文本生成、文本分類、語言理解等。

GPT-3：創(chuàng)造出新的自然語言生成和理解能力   

GPT-3是GPT系列模型中最新的一款模型，采用了更大的參數(shù)規(guī)模和更豐富的訓(xùn)練數(shù)據(jù)。GPT-3的參數(shù)規(guī)模達(dá)到了1.75萬億，是GPT-2的100倍以上。GPT-3在自然語言生成、對話生成和其他語言處理任務(wù)上表現(xiàn)出了驚人的能力，在一些任務(wù)上甚至能夠創(chuàng)造出新的語言表達(dá)形式。

GPT-3提出了一個非常重要的概念：情境學(xué)習(xí)（In-context learning），具體內(nèi)容會在下次推文中進(jìn)行解釋。

InstructGPT ＆ ChatGPT

InstructGPT/ChatGPT的訓(xùn)練分成3步，每一步需要的數(shù)據(jù)也有些許差異，下面我們分別介紹它們。

從一個預(yù)訓(xùn)練的語言模型開始，應(yīng)用以下三個步驟。

步驟1：監(jiān)督微調(diào)SFT：收集演示數(shù)據(jù)，訓(xùn)練一個受監(jiān)督的策略。我們的標(biāo)簽器提供了輸入提示分布上所需行為的演示。然后，我們使用監(jiān)督學(xué)習(xí)在這些數(shù)據(jù)上對預(yù)訓(xùn)練的GPT-3模型進(jìn)行微調(diào)。

步驟2：獎勵模型Reward Model訓(xùn)練。收集比較數(shù)據(jù)，訓(xùn)練一個獎勵模型。我們收集了一個模型輸出之間比較的數(shù)據(jù)集，其中標(biāo)簽者表示他們更喜歡給定輸入的哪個輸出。然后我們訓(xùn)練一個獎勵模型來預(yù)測人類偏好的輸出。

步驟3：通過獎勵模型上的近端策略優(yōu)化(PPO)強(qiáng)化學(xué)習(xí)：使用RM的輸出作為標(biāo)量獎勵。我們使用PPO算法對監(jiān)督策略進(jìn)行微調(diào)，以優(yōu)化該獎勵。

步驟2和步驟3可以連續(xù)迭代；在當(dāng)前最優(yōu)策略上收集更多的比較數(shù)據(jù)，這些數(shù)據(jù)用于訓(xùn)練一個新的RM，然后是一個新的策略。

前兩步的prompts，來自于OpenAI的在線API上的用戶使用數(shù)據(jù)，以及雇傭的標(biāo)注者手寫的。最后一步則全都是從API數(shù)據(jù)中采樣的，InstructGPT的具體數(shù)據(jù)：

1. SFT數(shù)據(jù)集

SFT數(shù)據(jù)集是用來訓(xùn)練第1步有監(jiān)督的模型，即使用采集的新數(shù)據(jù)，按照GPT-3的訓(xùn)練方式對GPT-3進(jìn)行微調(diào)。因為GPT-3是一個基于提示學(xué)習(xí)的生成模型，因此SFT數(shù)據(jù)集也是由提示-答復(fù)對組成的樣本。SFT數(shù)據(jù)一部分來自使用OpenAI的PlayGround的用戶，另一部分來自O(shè)penAI雇傭的40名標(biāo)注工（labeler）。并且他們對labeler進(jìn)行了培訓(xùn)。在這個數(shù)據(jù)集中，標(biāo)注工的工作是根據(jù)內(nèi)容自己編寫指示。

2. RM數(shù)據(jù)集

RM數(shù)據(jù)集用來訓(xùn)練第2步的獎勵模型，我們也需要為InstructGPT/ChatGPT的訓(xùn)練設(shè)置一個獎勵目標(biāo)。這個獎勵目標(biāo)不必可導(dǎo)，但是一定要盡可能全面且真實的對齊我們需要模型生成的內(nèi)容。很自然的，我們可以通過人工標(biāo)注的方式來提供這個獎勵，通過人工對可以給那些涉及偏見的生成內(nèi)容更低的分從而鼓勵模型不去生成這些人類不喜歡的內(nèi)容。InstructGPT/ChatGPT的做法是先讓模型生成一批候選文本，讓后通過labeler根據(jù)生成數(shù)據(jù)的質(zhì)量對這些生成內(nèi)容進(jìn)行排序。

3. PPO數(shù)據(jù)集

InstructGPT的PPO數(shù)據(jù)沒有進(jìn)行標(biāo)注，它均來自GPT-3的API的用戶。既又不同用戶提供的不同種類的生成任務(wù)，其中占比最高的包括生成任務(wù)（45.6%），QA（12.4%），頭腦風(fēng)暴（11.2%），對話（8.4%）等。

附  錄：

ChatGPT 的各項能力來源：

 GPT-3 到 ChatGPT 以及這之間的迭代版本的能力和訓(xùn)練方法：

參考文獻(xiàn)

1、拆解追溯 GPT-3.5 各項能力的起源：https://yaofu.notion.site/GPT-3-5-360081d91ec245f29029d37b54573756

2、全網(wǎng)最全時間線梳理！從ChatGPT的前世今生，到如今AI領(lǐng)域的競爭格局https://www.bilibili.com/read/cv22541079

3、GPT-1論文：Improving Language Understanding by Generative Pre-Training, OpenAI.

4、GPT-2論文：Language Models are Unsupervised Multitask Learners, OpenAI.

5、GPT-3論文：Language Models are Few-Shot Learners, OpenAI.

6、Jason W, Maarten B, Vincent Y, et al. Finetuned Language Models Are Zero-Shot Learners[J]. arXiv preprint arXiv: 2109.01652, 2021.

7、OpenAI是如何“魔鬼調(diào)教” GPT的？——InstructGPT論文解讀 https://cloud.tencent.com/developer/news/979148