4、为长文档而生的 Longformer
Self－Attention 机制是成功实现 Transformer 体系结构的关键因素之一。但是，它也使得基于 Transformer 的模型很难应用于长文档。
现有技术通常将长输入分成多个块，然后再使用复杂的结构在这些块中组合信息。艾伦人工智能研究所的研究团队，则为这个问题介绍了一种更为优雅的解决方案。
他们提出的 Longformer 采用了一种新的注意力模式，即将局部自注意力和全局自注意力相结合，在提高效率的同时又不失效果。这种关注机制与序列长度成线性比例，并可以处理具有数千个 tokens 的文档。由于 sliding window 注意力模式的实现需要带状矩阵乘法的形式，而现有的深度学习库（如 PyTorch 和 Tensorflow）不支持这种形式，因此作者还引入了自定义 CUDA 内核来实现这些注意力操作。
实验表明，Longformer 在字符级语言建模任务上取得了最先进的结果，并且在经过预培训后，在长文档任务上始终优于 RoBERTa。
一句话总结现实影响：对于经常需要处理长文档的下游 NLP 任务，Longformer 体系结构可能会有更明显的优势，这些任务包括文件分类、问答、共指解析、总结、语义搜索等。
5、GAN 的巧妙运用之 ELECTRA
诸如 BERT 和 XLNet 这类颇受欢迎的语言模型，在预训练任务中会屏蔽一小部分未标记的输入，然后训练网络以恢复此原始输入。
尽管这种名叫 MLM（Masked language modeling）的训练方式效果很好，但是由于它只能从一小部分 tokens（通常约 15％）中学习，因此其数据效率并不是特别高。这种方式迁移到下游 NLP 任务时能够得到较好的结果，但往往需要大量的算力。
作为替代方案，斯坦福大学和谷歌大脑的研究人员基于 BERT 的模型，与 GAN 的想法相融合，提出一种新的预训练方法 ——RTD ，replaced token detection。RTD 不会对输入进行遮蔽，而是从生成器中采样得到可信的 tokens，再替换掉原始输入上的 tokens。
结果显示，该方法可显着加快下游 NLP 任务的训练速度并提高准确性：ELECTRA－Small 的 GLUE 得分为 79．9，优于同类的 BERT 模型（得分为 75．1）和更大的 GPT 模型（得分为 78．8）；可与 XLNet 和 RoBERTa 媲美的 ELECTRA 模型，仅使用其预训练计算量的 25％；ELECTRA－Large 在 GLUE 和 SQuAD 基准测试中优于其他最新模型，同时仍需要较少的预训练计算。
一句话总结现实影响：由于其计算效率高，ELECTRA 方法可使从业者更容易使用预训练的文本编码器。
6、GPT－3 的诞生
如果每一个新的语言任务都需要一个与之对应的、标签化了的数据集，那这绝对会限制语言模型的适用性。
考虑到语言任务的范围很广，而且通常很难收集到大量带标注、可用于训练的数据集，OpenAI 的研究人员提出了另一种解决方案，即扩大语言模型的规模，训练出含 175 B 参数的 GPT－3。
该团队希望 GPT－3 能够成为更通用化的 NLP 模型，解决当前 BERT 等模型的两个不足之处：对领域内有标记数据的过分依赖，以及对于领域数据分布的过拟合。
他们在三种不同的设置中评估了 GPT－3 ：
?Few－shot learning，在推理时给模型一些任务演示（通常是 10 到 100），但不允许权重更新。
?One－shot learning，仅允许一次演示，以及对任务的自然语言描述。
?Zero－shot，不允许进行演示且模型只能访问任务的自然语言描述时。
这三种评估表明，只训练了一个语言模型、没有针对任何任务进行 Fine－tuning 的 GPT－3，可以完成多项 NLP 任务，并且每一项任务都可以得到很好的效果。
也就是说，当将这样的语言模型扩展到前所未有的参数数量时，该语言模型本身可以用作少样本学习的工具，无需任何额外的训练就可以在许多任务上取得非常有竞争力的表现。
一句话总结现实影响：一个带有 175B 参数的模型，其资源消耗也是不符合现实考虑的，但是如果研究人员设法将此模型精简为可行的大小，则可以将其应用于各种语言任务，包括问答和广告文案生成。
