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。
- Fine-Tuning 的意思是我們在前面的章節中探討過的，訓練 Transformer 模型，然後針對下游任務進行微調，Radford 等人於 2018 年設計了許多微調任務，OpenAI 團隊隨後透過以下步驟逐步將任務數量減少到 0
- Few-Shot 是一個重大進步，在 GPT 模型已經訓練完成後，當需要模型進行推理時，我們會提供一些範例來展示需要完成的任務，這些範例作為條件信息，取代了傳統的權重更新過程，這是 GPT 團隊故意排除的，我們將通過提供上下文來對模型進行條件設定
- One-Shot 將這一過程進一步推進，訓練好的 GPT 模型只會被提供一個下游任務的範例，這過程中同樣不允許進行權重更新
- Zero-Shot 是最終目標，訓練好的 GPT 模型在沒有任何下游任務範例的情況下進行推理
這些方法中的每一種都有不同程度的效率，OpenAI GPT 團隊努力製作這些最先進的 Transformer 模型，我們現在可以解釋 GPT 模型架構的動機：
- 通過大量訓練教導 Transformer 模型如何學習一門語言
- 專注於通過上下文條件設置進行語言建模
- Transformer 以一種全新的方式利用上下文進行文本補全，它不再耗費資源去學習下游任務，而是專注於理解輸入並根據任何任務進行推理
- 通過掩蔽輸入序列的一部分來尋找高效的模型訓練方法，迫使 Transformer 以機器智慧進行思考，因此，儘管機器智慧不是人類智慧，但它是高效的
