长文梳理！近年来GPT系列模型的发展历史：从GPT-1到GPT-4o（前世、今生）

点击上方“AINLPer“，设为星标

更多干货，第一时间送达

引言

随着ChatGPT的发布，大语言模型的关注度和数量都在不断上升,它引领了人类进入了大模型时代，并且随着一轮一轮的迭代，最新模型已经进化到了GPT-4o。在众多大语言模型中，GPT系列因其代表性而备受关注，其发展历程和技术革新值得深入探讨。那么今天带大家回顾一下近年来GPT系列模型的发展。【参考中国人民大学《大语言模型》】

GPT系列模型的基本原理是训练模型学习恢复预训练文本数据，通过只包含解码器的Transformer模型将广泛的世界知识进行压缩，使模型能够获得全面的能力。这一过程中，关键的两个要素是训练模型准确预测下一个词的Transformer语言模型，以及扩大语言模型和预训练数据的规模。

上图展示了GPT系列模型技术演进的示意图，其中实线表示明确的进化路径，虚线则表示较弱的进化关系。OpenAI对大语言模型的研发历程可以划分为早期探索、路线确立、能力增强和能力跃升四个阶段，每个阶段都标志着该领域的进步和发展。

GPT-1

2017年，Google推出了Transformer模型，这一架构因其在性能上的显著优势迅速吸引了OpenAI团队的注意。OpenAI随后将研发重点转移到Transformer架构，并在2018年发布了GPT-1模型。GPT-1是基于生成式预训练（Generative Pre-Training）的Transformer架构，采用了仅有解码器的Transformer模型，专注于预测下一个词元。尽管GPT-1的参数规模相对较小，它采用了无监督预训练和有监督微调相结合的方法，以增强模型的通用任务求解能力。

同年，Google发布了BERT模型，它专注于自然语言理解任务（NLU），并只使用了Transformer的编码器部分。BERT-Large模型在多个NLU任务上取得了显著的性能提升，成为当时自然语言处理领域的明星模型，引领了一波研究热潮。然而，GPT-1由于规模与BERT-Base相当，且在公开评测数据集上的性能未能达到最优，因此没有在学术界引起足够的关注。GPT-1和BERT虽然都采用了Transformer架构，但它们的应用重点和架构设计有所不同，分别代表了自然语言生成和自然语言理解两个领域的早期探索。这些早期工作为后续更强大的GPT模型，如GPT-3和GPT-4，奠定了研究基础。

GPT-2

GPT-2继承了GPT-1的架构，并将参数规模扩大到15亿，使用大规模网页数据集WebText进行预训练。与GPT-1相比，GPT-2的创新之处在于尝试通过增加模型参数规模来提升性能，同时去除针对特定任务的微调环节，探索使用无监督预训练的语言模型来解决多种下游任务，而无需显式地使用标注数据进行微调。

GPT-2的研究重点在于多任务学习，即通过一种通用的概率形式来刻画不同任务的输出预测，将输入、输出和任务信息都以自然语言的形式进行描述。这样，后续的任务求解过程就可以视为文本生成问题。OpenAI团队在GPT-2的论文中解释了无监督预训练在下游任务中取得良好效果的原因，即特定任务的有监督学习目标与无监督学习目标（语言建模）在本质上是相同的，都旨在预测下一个词元。因此，优化无监督的全局学习目标本质上也是在优化有监督的任务学习目标。

此外，OpenAI创始人采访时的观点与GPT-2论文中的讨论非常相似。他认为，神经网络学到的是生成文本过程中的某种表示，这些模型的生成文本实际上是真实世界的投影。语言模型对下一个单词的预测越准确，对世界知识的保真度就越高，在这个过程中获得的分辨度也就越高。

综上所述，GPT-2模型通过扩大参数规模和使用无监督预训练，探索了一种新的多任务学习框架，旨在提高模型的通用性和灵活性，减少对特定任务微调的依赖。同时，它也强调了语言模型在理解和生成自然语言文本方面的重要性，以及通过准确预测下一个词元来提高对世界知识的理解。

GPT-3

OpenAI在2020年推出了具有里程碑意义的GPT-3模型，其模型参数规模扩展到了175B，相较于GPT-2提升了100余倍，标志着对模型扩展的极限尝试。在GPT-3的训练之前，OpenAI已经进行了充分的实验探索，包括小版本模型的尝试、数据收集与清洗、并行训练技巧等，这些工作为GPT-3的成功奠定了基础。

GPT-3首次提出了“上下文学习”概念，允许大语言模型通过少样本学习解决各种任务，消除了对新任务进行微调的需求。这种学习方式使得GPT-3的训练和使用可以通过语言建模的形式统一描述，即预训练阶段在给定上下文条件下预测后续文本序列，使用阶段则根据任务描述和示例数据推理正确的解决方案。GPT-3在自然语言处理任务中表现出色，对于需要复杂推理或领域适配的任务也显示出良好的解决能力。论文指出，上下文学习对于大模型的性能增益尤为显著，而对于小模型则收益较小。

GPT-3的成功证明了将神经网络扩展到超大规模可以显著提升模型性能，并建立了基于提示学习方法的技术路线，为大语言模型的未来发展提供了新的思路和方法。

InstructGPT

OpenAI在GPT-3模型的基础上，通过两种主要途径进行了改进：代码数据训练和人类偏好对齐。首先，为了解决GPT-3在编程和数学问题求解上的不足，OpenAI于2021年推出了Codex模型，该模型在GitHub代码数据上进行了微调，显著提升了解决复杂问题的能力。此外，通过开发一种对比方法训练文本和代码嵌入，进一步改善了相关任务的性能。这些工作促成了GPT-3.5模型的开发，表明在代码数据上的训练对提高模型的综合性能，尤其是代码能力具有重要作用。

其次，OpenAI自2017年起就开始了人类偏好对齐的研究，通过强化学习算法从人类标注的偏好数据中学习改进模型性能。2017年，OpenAI提出了PPO算法，成为后续人类对齐技术的标配。2022年，OpenAI推出了InstructGPT，正式建立了基于人类反馈的强化学习算法RLHF，旨在改进GPT-3模型与人类对齐的能力，提高指令遵循能力，并缓解有害内容的生成，这对大语言模型的安全部署至关重要。

OpenAI在其技术博客中描述了对齐研究的技术路线，并总结了三个有前景的研究方向：使用人类反馈训练人工智能系统、协助人类评估和进行对齐研究。通过这些增强技术，OpenAI将改进后的GPT模型命名为GPT-3.5，它不仅展现了更强的综合能力，也标志着OpenAI在大语言模型研究方面迈出了重要一步。

ChatGPT

2022 年 11 月，OpenAI 发布了基于 GPT 模型的人工智能对话应用 服务 ChatGPT。ChatGPT沿用了InstructGPT的训练技术，并针对对话能力进行了优化。它结合了人类生成的对话数据进行训练，展现出丰富的世界知识、复杂问题求解能力、多轮对话上下文追踪与建模能力以及与人类价值观对齐的能力。ChatGPT还支持插件机制，扩展了功能，超越了以往所有人机对话系统的能力水平，引发了社会的高度关注。

GPT-4

继 ChatGPT 后，OpenAI 于 2023 年 3 月发布了 GPT-4 。它是GPT系列模型的重要升级，首次将输入模态从单一文本扩展到图文双模态。GPT-4在解决复杂任务方面的能力显著强于GPT-3.5，在面向人类的考试中取得了优异成绩。

微软的研究团队对GPT-4进行了大规模测试，认为其展现出通用人工智能的潜力。GPT-4还进行了六个月的迭代对齐，增强了对恶意或挑衅性查询的安全响应。OpenAI在技术报告中强调了GPT-4的安全开发重要性，并应用了干预策略来缓解潜在问题，如幻觉、隐私泄露等。

GPT-4引入了"红队攻击"机制减少有害内容生成，并建立了深度学习训练基础架构，引入了可预测扩展的训练机制。更重要的是，GPT-4 搭建了完备的深度学习训练 基础架构，进一步引入了可预测扩展的训练机制，可以在模型训练过程中通过较 少计算开销来准确预测模型的最终性能。

GPT-4V

OpenAI对GPT-4系列模型进行了重要技术升级，发布了GPT-4V（2023年9月）和GPT-4 Turbo（2023年11月），这些升级显著增强了模型的视觉能力和安全性。GPT-4V专注于视觉输入的安全部署，广泛讨论了相关风险评估和缓解策略，而GPT-4 Turbo则在多个方面进行了优化，包括提升模型整体能力、扩展知识来源、支持更长上下文窗口、优化性能和价格，并引入了新功能。

同年，OpenAI推出了Assistants API，以提升开发效率，使开发人员能够快速创建面向特定任务的智能助手。此外，新版本的GPT模型通过GPT-4 Turbo with Vision、DALL·E-3、TTS等技术，进一步增强了多模态能力，提升了任务性能并扩展了能力范围，加强了以GPT模型为核心的大模型应用生态系统。

GPT-4o

今年5月14日，OpenAI春季发布会，发布了新型旗舰模型“GPT-4o”，GPT-4o的“o”代表“omni”，源自拉丁语“omnis”。在英语中“omni”常被用作词根，用来表示“全部”或“所有”的概念。GPT-4o是一个多模态大模型，支持文本、音频和图像的任意组合输入，并能生成文本、音频和图像的任意组合输出。与现有模型相比，它在视觉和音频理解方面尤其出色。

GPT-4o可以在音频、视觉和文本中进行实时推理，接受文本、音频和图像的任何组合作为输入，并生成文本、音频和图像的任何组合进行输出。它可以最短在232毫秒内响应音频输入，平均为320毫秒，这与人类在对话中的响应时间相似。此外，GPT-4o 还可以调整说话的语气，从夸张戏剧到冰冷机械，以适应不同的交流场景。令人兴奋的是，GPT-4o 还具备唱歌的功能，增添了更多的趣味性和娱乐性。

GPT-4o不仅在传统的文本能力上与GPT-4 Turbo的性能相当，还在 API 方面更快速，价格还更便宜 50%。总结来说，与 GPT-4 Turbo 相比，GPT-4o 速度提高了 2 倍，价格减半，限制速率提高了 5 倍。GPT-4o 目前的上下文窗口为 128k，模型知识截止日期为 2023 年 10 月。

总结

尽管GPT系列模型在人工智能领域取得了显著的科研进展，但它们仍然存在一些局限性，比如在某些情况下可能会生成带有事实错误的幻觉或具有潜在风险的回应。面对这些挑战，开发更智能、更安全的大语言模型被看作是一项长期的研究任务。

为了有效降低使用这些模型的潜在风险，OpenAI采取了迭代部署策略，通过多阶段的开发和部署过程，持续对模型和产品进行改进和优化。这种策略体现了在整个生命周期中对安全性和有效性的关注，以确保大语言模型能够稳健发展，同时应对新出现的问题和挑战。