微信自研NLP大規模語(yǔ)言模型WeLM：零/少樣本即可完成多種NLP任務(wù)

近日，微信AI推出自研NLP大規模語(yǔ)言模型WeLM ，該模型是一個(gè)尺寸合理的中文模型，能夠在零樣本以及少樣本的情境下完成包多語(yǔ)言任務(wù)在內的多種NLP任務(wù)。

同時(shí)，微信AI團隊也提供了WeLM的體驗網(wǎng)頁(yè)和API接口，感興趣的用戶(hù)可前往https://welm.weixin.qq.com/docs/體驗和申請API接口，相關(guān)技術(shù)論文《WeLM: A Well-Read Pre-trained Language Model for Chinese》也已經(jīng)發(fā)布于論文預印本網(wǎng)站arXiv。

NLP大模型迎新選手，WeLM提供交互式網(wǎng)頁(yè)PlayGround和API接口

在近幾年自然語(yǔ)言處理（NLP）領(lǐng)域的發(fā)展浪潮中，OpenAI開(kāi)發(fā)的自然語(yǔ)言處理模型GPT-3無(wú)疑風(fēng)頭無(wú)兩，發(fā)布之初便以1750億參數規模的預訓練模型所表現出來(lái)的零樣本與小樣本學(xué)習能力刷新了人們的認知，也引爆了AI大模型研究的熱潮。

對業(yè)界來(lái)說(shuō)，預訓練大模型降低了AI應用的門(mén)檻，距離“AI把人類(lèi)從重復性勞動(dòng)中解放出來(lái)”的宏偉目標越來(lái)越近，目前，基于GPT-3，全球開(kāi)發(fā)者已經(jīng)探索出包括編程、回復郵件、UI設計、回答數學(xué)問(wèn)題、法律語(yǔ)言轉化、總結中心思想、推理、文本處理等廣泛應用場(chǎng)景，并且，各國研究者在多語(yǔ)言/多任務(wù)等角度的探索也正在譜寫(xiě)大模型百家爭鳴的新篇章。

而在國內以中文為核心的大規模語(yǔ)言模型領(lǐng)域，微信AI推出的百億級別大規模語(yǔ)言模型WeLM，便是大模型百家爭鳴中的新選手。

據介紹，WeLM是一個(gè)百億級別的中文模型，能夠在零樣本以及少樣本的情境下完成包括對話(huà)-采訪(fǎng)、閱讀理解、翻譯、改寫(xiě)、續寫(xiě)、多語(yǔ)言閱讀理解在內的多種NLP任務(wù)，并具備記憶能力、自我糾正和檢查能力。并且，WeLM具有尺寸合理的優(yōu)勢，在14項中文NLP任務(wù)上，WeLM的整體表現超出了所有同大小的模型，甚至能夠匹配比它大25倍的模型。

以被普遍認為是更困難的NLP任務(wù)的文本風(fēng)格轉換（改寫(xiě)）為例，盡管用戶(hù)給出的5個(gè)例子和最后需要生成的例子并沒(méi)有重合的風(fēng)格轉換類(lèi)型，但WeLM擁有出色的舉一反三能力，通過(guò)學(xué)習少量的文本轉換例子即可達到對任意類(lèi)型的文本轉換。并且，WeLM在對話(huà)-采訪(fǎng)、閱讀理解、翻譯、續寫(xiě)等多個(gè)中文文本生成任務(wù)中有著(zhù)同樣優(yōu)異的表現。

除了具備強大的中文理解和生成能力，WeLM還擁有處理跨多語(yǔ)言（中英日）任務(wù)的能力。以“微信 AI 推出の WeLM 是一個(gè) language model that いろいろなtaskをperformができる”這句混合中日英三國語(yǔ)言的文本為例，WeLM的翻譯相較Google翻譯更為精準。

而且，在進(jìn)一步微調后，WeLM可以擁有更好的零樣本學(xué)習能力，可以根據場(chǎng)景擁有更好的表現。目前，WeLM已經(jīng)部署應用于微信視頻號的部分場(chǎng)景中，未來(lái)在進(jìn)一步優(yōu)化后還將應用于更多微信應用場(chǎng)景。

同時(shí)，為進(jìn)一步推動(dòng)WeLM成為真正能落地且實(shí)用的工具，微信AI團隊還發(fā)布了一個(gè)供用戶(hù)體驗的交互式網(wǎng)頁(yè)PlayGround，并開(kāi)放了用于訪(fǎng)問(wèn)WeLM的API接口。

目前，用戶(hù)可通過(guò)https://welm.weixin.qq.com/docs/體驗WeLM的相關(guān)能力，并通過(guò)調整配置以實(shí)現更貼近的文本生成效果。對于想接入WeLM的開(kāi)發(fā)者，也可通過(guò)https://welm.weixin.qq.com/docs/api/填寫(xiě)問(wèn)卷后獲得WeLM的API Token并調用相應接口，將WeLM部署在自己的應用上。

具有極強知識儲備，WeLM在14項中文NLP任務(wù)中表現亮眼

據介紹，在純Encoder(Bert)、純Decoder(GPT) 以及Encoder-Decode(T5) 結構等主流NLP模型路徑的選擇上，WeLM和GPT3、Google PaLM一樣，選擇了自回歸模型的路線(xiàn)。同時(shí)，考慮到不同的用戶(hù)對于模型效果和推理延遲會(huì )有考量或者取舍（trade-off），微信AI的WeLM訓練了1.3B、2.7B以及10B三個(gè)版本的模型，滿(mǎn)足不同用戶(hù)的調用需求。

同時(shí)，在訓練數據上，微信AI團隊希望構建一個(gè)足夠豐富、足夠干凈、足夠公平的數據集，為此研究團隊從Common Crawl下載了近兩年的中文網(wǎng)頁(yè)數據，和大量的書(shū)籍、新聞。為了增強專(zhuān)業(yè)能力，微信AI團隊還在數據集補充了知識密集的論壇數據和一些學(xué)術(shù)論文，搜集完成后的全量數據10TB，其中包含了750G的英文數據，并保留了部分日韓文。

隨后，通過(guò)規則過(guò)濾和額外訓練的二分類(lèi)fasttext模型，以及對測評相關(guān)數據的去除，數據集最終處理完的數據量為262B tokens。為了更好的平衡各個(gè)數據源的比重，微信AI團隊也對數據進(jìn)行不同比重的采樣，最終，整體數據集的Topic分布相比 Common Crawl更加平滑。

在與業(yè)界同級別的CPM、華為Pangu和百度Ernie3.0的對比測試中，WeLM表現出極強的知識儲備，在14項中文NLP任務(wù)上，WeLM 的整體表現超出了所有同大小的模型，甚至能夠匹配比它大25倍的模型。同時(shí)，在強大的中文理解和生成能力外，WeLM還有出色的多語(yǔ)言理解能力，用戶(hù)的輸入可以在中日英上絲滑切換。

目前，WeLM的相關(guān)技術(shù)論文《WeLM: A Well-Read Pre-trained Language Model for Chinese》已經(jīng)發(fā)布于論文預印本網(wǎng)站arXiv，感興趣的用戶(hù)可前往https://arxiv.org/abs/2209.10372查看更多技術(shù)細節。

在NLP領(lǐng)域，讓大模型成為真正能落地且實(shí)用的工具，是每一位NLP領(lǐng)域的研究者矢志不渝的方向。未來(lái)，微信AI也將針對WeLM進(jìn)行進(jìn)一步的微調優(yōu)化，進(jìn)一步提升其在新任務(wù)上的泛化效果，也歡迎更多開(kāi)發(fā)者、用戶(hù)前來(lái)體驗WeLM并提出寶貴意見(jiàn)和建議，幫助該模型早日成為真正能落地且實(shí)用的工具，共同探索人工智能的發(fā)展之路。