1
Эволюция архитектур больших языковых моделей: от BERT к GPT и T5
AI012Lesson 2
00:00

Триада архитектур трансформеров

Эволюция больших языковых моделей характеризуется парадигмальным сдвигом: переход от специализированных моделей к «унифицированной предварительной настройке», при которой одна архитектура адаптируется под различные задачи обработки естественного языка.

В основе этого сдвига лежит механизм самовнимания, позволяющий моделям оценивать важность различных слов в последовательности:

$$Attention(Q, K, V) = softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

1. Только кодировщик (BERT)

  • Механизм:Моделирование маскированных языков (MLM).
  • Поведение:Двунаправленный контекст; модель «видит» всю фразу сразу, чтобы предсказать скрытые слова.
  • Лучше всего подходит для:Понимание естественного языка (NLU), анализ настроения и распознавание именованных сущностей (NER).

2. Только декодировщик (GPT)

  • Механизм:Авторегрессивное моделирование.
  • Поведение:Обработка слева направо; предсказывает следующий токен строго на основе предшествующего контекста (причинное маскирование).
  • Лучше всего подходит для:Генерация естественного языка (NLG) и творческое письмо. Это основа современных крупных языковых моделей, таких как GPT-4 и Llama 3.

3. Кодировщик-декодировщик (T5)

  • Механизм:Трансформер передачи текста в текст.
  • Поведение:Кодировщик преобразует входную строку в плотное представление, а декодировщик генерирует целевую строку.
  • Лучше всего подходит для:Перевод, суммаризация и задачи на соответствие.
Ключевой вывод: доминирование декодировщика
Отрасль в значительной степени сосредоточилась вокруг только декодировщикархитектур из-за их превосходящих законов масштабирования и возникающих способностей к рассуждению в условиях нулевого шота.
Влияние окна контекста на видеопамять (VRAM)
В моделях только декодировщика буфер кэша KVрастёт линейно с длиной последовательности. Оконный буфер в 100 тыс. требует значительно больше видеопамяти, чем буфер в 8 тыс., что делает развертывание моделей с длинным контекстом на локальных системах затруднённым без квантования.
arch_comparison.py
TERMINALbash — 80x24
> Ready. Click "Run" to execute.
>
Question 1
Why did the industry move from BERT-style encoders to GPT-style decoders for Large Language Models?
Decoders scale more effectively for generative tasks and follow-up instructions via next-token prediction.
Encoders cannot process text bidirectionally.
Decoders require less training data for classification tasks.
Encoders are incompatible with the Self-Attention mechanism.
Question 2
Which architecture treats every NLP task as a "text-to-text" problem?
Encoder-Only (BERT)
Decoder-Only (GPT)
Encoder-Decoder (T5)
Recurrent Neural Networks (RNN)
Challenge: Architectural Bottlenecks
Analyze deployment constraints based on architecture.
If you are building a model for real-time document summarization where the input is very long, explain why a Decoder-only model might be preferred over an Encoder-Decoder model in modern deployments.
Step 1
Identify the architectural bottleneck regarding context processing.
Solution:
Encoder-Decoders must process the entire long input through the encoder, then perform cross-attention in the decoder, which can be computationally heavy and complex to optimize for extremely long sequences. Decoder-only models process everything uniformly. With modern techniques like FlashAttention and KV Cache optimization, scaling the context window in a Decoder-only model is more streamlined and efficient for real-time generation.
Step 2
Justify the preference using Scaling Laws.
Solution:
Decoder-only models have demonstrated highly predictable performance improvements (Scaling Laws) when increasing parameters and training data. This massive scale unlocks "emergent abilities," allowing a single Decoder-only model to perform zero-shot summarization highly effectively without needing the task-specific fine-tuning often required by smaller Encoder-Decoder setups.