参考自李宏毅课程-人类语言处理
四、GPT3
1. 介绍
GPT-3是一个language model，它的参数量相当巨大，是ELMO的2000倍。
2. GPT-3的野心
虽然GPT-3和BERT等模型一样，但是GPT-3是不需要针对特定的task做finetune的，也就是说GPT-3只需要预训练就够了。
具体来说，GPT-3定义了三种learning，第一个是“few-shot learning”，就是先告诉模型要干什么，然后给几个例子，最后给模型一个题目让它做出来，第二个是“one-shot learning”，就是告诉模型要干什么，然后给一个例子，最后给模型一个题目让它做出来；最后一个是“zero-shot learning”，就是告诉模型要干什么，然后给模型一个题目让它做出来。这就相当于人一样了，这种learning被GPT-3的作者们称作“in-context learning”。
3. GPT-3的效果
在42个NLP任务上的平均准确率随参数量的变化如下图所示，可见随着参数量的增大，准确率是在一直上升的。
GPT-3在closed book QA上的表现如下所示，之前的QA都是给一个knowledge source，让模型从中找出答案，而所谓的closed book就是没有knowledge source的QA，就只给问题，看模型能不能够打上来。在175B参数量的情况下，用few-shot是可以超过SOTA的。
GPT-3在SuperGLUE的表现如下图所示，总结一下就是参数量越大，给的例子越多，模型的表现就越好。
GPT-3也可以用在生成任务上，下图是不同参数量下GPT-3生成的文章让人去辨别是不是机器生成时的准确率，当参数量最大时，人几乎已经无法辨别出时机器还是人写的了。
GPT-3也会做算术，如下图所示，问它"What is 17 minus 14?"这样的两位数的加减法基本都会回答正确，但是三位数及以上就不灵了。
当然，GPT-3也有不擅长的任务，比如NLI任务，GPT-3的结果就和随便猜的一样。NLI就是给两句话，让模型判断是矛盾，还是相近，还是中立。
