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。
無監督一詞定義了沒有標籤的訓練，從這個意義上說，GPT 模型經歷了無監督訓練，然而，當它在訓練期間預測 Token 時，會將輸出與實際的完整輸入序列進行比較，以計算損失、尋找梯度並執行反向傳播，從這個意義上說，GPT 是自我監督的，而不是完全無監督的，當您看到與生成模型相關的術語「無監督」時，要記住這一點。
OpenAI 希望創建一個與任務無關的模型，因此，他們開始根據原始資料訓練 Transformer 模型，而不是依賴專家的標記資料，標記資料非常耗時，並且會大大減慢 Transformer 的訓練過程。第一步是從 Transformer 模型的無監督訓練開始，然後他們只會微調模型的監督學習。
第一版 GPT Transformer 模型的令人鼓舞的結果很快就導致 Radford 等人於 2019 提出零樣本轉移模型，他們的核心理念是繼續訓練 GPT 模型以從原始文本中學習，然後，他們進一步研究，重點關注透過無監督分佈範例進行語言建模，目標是一旦經過訓練的 GPT 模型透過強化訓練理解了一種語言，就可以將此概念推廣到任何下游任務。
GPT 模型迅速從 117M 參數發展到 345M 參數，再發展到其他大小，然後發展到 1542M 參數，微調量急劇減少。
這鼓勵 OpenAI 走得更遠，Brown 等人於 2020 年繼續假設條件機率 Transformer 模型可以進行深度訓練，並且能夠產生出色的結果，而無需對下游任務進行微調。
