842
个编辑
更改
→大语言模型涌现的度量
=大语言模型涌现的度量=
=大语言模型涌现的度量=
* 如何量化大语言模型（LLMs）的语义理解能力？
* 这里语义可以看作是从按照特定意义组织的 token 集合中自然涌现
YMZ：读着不通顺
* 其中 token 是句子中具有复杂模式的微观（micro）单元
YMZ：这个对于不理解token这个概念的人来说还是不理解。token这个基本概念的解释可以先不放，后面根据需求统一给术语表
* 因此，大语言模型的语义理解能力，可以看作是从微观到宏观的一种涌现现象
YMZ：为什么它是涌现现象，根据哪个定义判断的？
* 受信息论启发，论文中将“语义”（semantics）形式化定义为从token序列中抽象出的有意义信息，并通过比较（宏观层面）token 序列相对于（微观层面）单个token的熵减来对此进行量化。
YMZ：这里的文字不如用公式来表达，而且不适合放在提纲挈领的第一段。
* 要计算 Transformer 模型中的信息涌现，需要从数学上度量微观与宏观层面的熵减。
YMZ：这个结论是为什么？还是说它是定义？
YMZ：这一段里h是单个的token吗？以及输入输出长度都是T吗？
* 研究者将序列中的 token 变量分为两类：微观变量和宏观变量。
YMZ：按照这个分法，有没有输出token是受一部分输入token影响的？这算是介观变量吗？
* 因此，宏观层面代表语义层级，微观层面代表 token 层级。
YMZ：这个“因此”的逻辑是什么，宏微观变量不是人为指定的吗？
* 基于 Erik Hoel 等人的因果涌现理论[11][12]和 Rosas 等人基于信息分解量化涌现的理论[13]，研究中将其视为一个熵减过程，采用互信息对信息涌现进行建模
YMZ：所以IE的定义根源于Erik和Rosas等人的工作？那应该在前面就讲清楚。
* IE 可以简要理解为，语言模型基于先前token，以更低语义熵确定性预测下一个token的置信程度
YMZ：什么是语义熵？
YMZ：对于这个定量公式有一个困惑是，如果找到宏观的token，是要计算前后token在多大程度上独立吗（满足马尔可夫性）？
* 研究还发现，LLM生成的文本与人类文本具有出不同的IE值，因此IE可用于区分文本是来源于人类还是 LLMs 生成
* 研究还发现，LLM生成的文本与人类文本具有出不同的IE值，因此IE可用于区分文本是来源于人类还是 LLMs 生成