我想要一天分享一點「LLM從底層堆疊的技術」，並且每篇文章長度控制在三分鐘以內，讓大家不會壓力太大，但是又能夠每天成長一點。
- Masked Language Modeling (MLM)
- Next Sentence Prediction (NSP)
而我們在 AI說書 - 從0開始 - 130 已經介紹了 Masked Language Modeling (MLM)，今天來介紹 Next Sentence Prediction (NSP)：
在許多下游的 NLP 任務中，它們都是基於兩個句子的關係進行語意理解，這樣的資訊，語言模型其實並沒有辦法有效擷取，因此作者提出了 NSP 這樣的模型訓練，兩個句子 A、B 作為一筆訓練資料，其中 50% 的訓練資料從語料中連貫的兩句子而得，標籤為 IsNext，另外 50% 則隨機給與兩個不連續的句子，標籤為 NotNext。
並且引入兩個額外的 Token，其目的為：
- [CLS]：Binary Classification Token 新增到第一個句子 A 的開頭，以預測第二個句子 B 是否位於第一個句子 A 之後，正樣本通常是從資料集中取出的一對連續句子，使用來自不同文件的序列建立負樣本
- [SEP]：表示句子 A 結束的分隔標記
舉一個 A 和 B 句子的串接為例，假設原始句子為：「The cat slept on the rug. It likes sleeping all day」，那麼引入 [CLS] 和 [SEP] 的標記後，變成：「[CLS] the cat slept on the rug [SEP] it likes sleep ##ing all day [SEP] 」，這裡 ##ing 的符號和 sleep 分離了，主要是因為採用了 WordPiece Tokenization，這樣可以讓 Tokenizer 運作在比較比較小的 Subword 上。
了解 [CLS] 和 [SEP] 的用途後，把它和 IsNext 以及 NotNext 合併，例子為：
- Input = [CLS] the man went to [MASK] store [SEP] he bought a gallon [MASK] milk [SEP] → Label = IsNext
- Input = [CLS] the man [MASK] to the store [SEP] penguin [MASK] are flight ##less birds [SEP] → Label = NotNext
至於 Input Embedding 的獲得手法為以下三者相加：Token Embedding、Sentence Embedding、Positional Encoding，示意圖如下：
圖片出自書籍：Transformers for Natural Language Processing and Computer Vision, 2024
綜合目前有的素材，整體流程為：
- 句子被切成 WordPiece Tokens
- 在 Masked Language Modeling (MLM) 訓練中，[MASK] Token 被隨機置入取代原始文字
- 在 Next Sentence Prediction (NSP) 訓練中，[CLS] Token 被放置於第一個句子的開頭，以作為 Classification Token
- 在 Next Sentence Prediction (NSP) 訓練中，[SEP] Token 被放置於第一個句子和第二個句子中間
- 實現為，將整個輸入序列經過模型，使用模型最後產生的 [CLS] Token，將它傳入一層 Classification Layer 進行矩陣轉換產出維度為 2 × 1 的向量，並且再透過 Softmax 得到 IsNextSequence 的機率
