来自：圆圆的算法笔记
进NLP群—>加入NLP交流群
如何将大模型应用落地到自己的业务或工作中？这篇文章整理了7种目前业内最常用的大模型应用方法，以及各个方法的代表论文。通过对各种应用大模型方法的特点对比，找到最适合自己场景的应用方法。
1
Pretrain-Finetune
直接针对下游任务进行全量参数或者部分参数的finetune，在BERT时期是主要的大模型应用方式。其局限性是成本较高，灵活性较差，需要针对每个任务单独finetune和保存一组模型，可复用性较低。
2
Prompt
Prompt是GPT以来的一种大模型应用方式，基于生成式语言模型（Transformer Decoder），将下游任务通过prompt的形式转换成完形填空任务，让模型预测缺失部分的文本，再将文本映射回对应任务的label。Prompt方式完全不进行大模型finetune，只利用大模型内部的知识，让下游任务反向适配预训练任务。其缺陷在于效果非常依赖于人工定义的prompt。
3
Prompt-tuning
Prompt-tuning不人工设定prompt，而是将其转换为可学习的向量。例如原来的prompt为The capital of Y is ...，这里Y是上下文，其他部分是prompt模板，那么prompt-tuning将这些明文的prompt token全部替换成可学习的向量，基于训练数据对模型进行finetune，只finetune这些prompt embedding，模型主体参数固定不变。。这种方式不再依赖人工定义prompt明文模板，交给模型自己去学，同时需要finetune的参数量也比较小。
代表论文：P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks（2021）、GPT Understands, Too（2021）
4
Prefix-tuning
与prompt-tuning的思路非常类似，prefix-tuning在输入文本前面加入一些任务特定的可学习参数，这些参数跟随下游任务做finetune，预训练模型整体参数固定不变。Prefix-tuning和prompt-tuning是同一时期的两类工作，二者核心思路是相同的，都是用一小部分参数的finetune（prefix对应的前缀向量，或prompt对应的模板向量）让大模型适配下游任务，二者区别不大。
代表论文：Prefix-Tuning: Optimizing Continuous Prompts for Generation（2021）
5
Adapter-tuning
在大模型的中间部分加一个参数量较小的网络结构（即adapter），大模型整体参数freeze不变，只更新adapter部分的参数。Adapter一般采用bottleneck的结构，缩小参数量。本质上也是一种通过少量参数的更新影响大模型整体参数的finetune方式。
代表论文：Parameter-Efficient Transfer Learning for NLP（ICML 2019）
6
Instruction-tuning
Instruction-tuning将所有下游的各类NLP任务都转换为自然语言，在大模型的基础上finetune全部参数，finetune的目标就是语言模型，通过这种方式让预训练大模型适应人类的指令（即人类描述各类NLP任务，并要求模型给出答案的语言范式），进而有效解决各类NLP任务，具备强大的zero-shot learning能力。
7
Knowledge Distillition
从大模型中获取数据，用获取到的数据训练尺寸更小的模型，过程中结合思维链等技术，让模型生成更有价值更准确的训练数据。这种方式也是成本最低，但是可能很有效果的方法。最简单的就是直接调用ChatGPT或者GPT4的接口获取想要的数据，核心是如何设计prompt让黑盒大模型输出我们想要的结果。
代表论文：Distilling Step-by-Step! Outperforming Larger Language Models with Less Training Data and Smaller Model Sizes
进NLP群—>加入NLP交流群