本文主要是介绍OpenAI把GPT-4原始版给了他们：研究不微调只靠提示词能走多远，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
除了OpenAI自己，居然还有别人能用上GPT-4-Base版？？
也就是未经微调的预训练版，还不会对话聊天，只会补全句子的模型。
EPFL（瑞士洛桑联邦理工）团队申请到了访问权限，用于研究**“上下文学习足以让大模型跟随指令吗？”**。
也就是不用监督微调、也不用RHLF或其他强化学习对齐方法，只靠提示词能走多远？
预训练模型，究竟能不能一步登天，直接改造成聊天机器人或AI助手？
如果可行，将大大降低类ChatGPT大模型的开发难度。
免微调对齐靠谱吗？
免微调对齐，让刚出炉的预训练模型不止会“文本补全”，只从提示词中学会和用户对话、跟随指令，一直是业界关注的研究方向。
目前的SOTA方法URIAL来自艾伦研究所，使用系统提示词+少数风格示例就能达到不错的效果。
但EPFL团队发现，URIAL仍无法完全弥补与指令微调模型的差距，尤其在多轮对话中的表现更差一些。
实验中，在Llama系列、Mistral系列和一般人接触不到的GPT-4-Base都观察到这种现象。
其中GPT-4-Base的API访问权限从OpenAI Researcher Access Program项目中申请到。
EPFL团队从这里出发，尝试了各种办法来提升上下文学习的效果。
首先他们增加示例的数量，但发现帮助不大，没有随着例子数目增加性能就提升的趋势。这一点跟图像分类、机器翻译等任务还不太一样。
然后他们使用了贪心搜索算法，从一大堆示例中选择最佳的添加到上下文。
这种方法可以进一步提高性能，但与指令微调模型的差距仍然存在，特别是在 AlpacaEval 2.0基准测试中。
此外他们还发现，贪心搜索为某个特定模型找到的最佳示例，对于其他模型不能可靠地迁移。
也就是说，不同的示例适合不同的模型。
团队还进行了一系列消融实验，以更多地了解上下文学习的工作原理。
他们发现，在MT-Bench这样的综合评测中，示例包含正确的“问题-答案对”至关重要。
这与此前大模型在分类任务中，只要有大量示例，部分标签错了也无所谓的发现非常不同。
所以最终得出的结论是：
即使采用更多复杂的改进方法，完全缩小上下文学习和指令微调之间的差距也有挑战，即使对于非常长上下文的大模型也是如此。
论文最后分析，大语言模型可能通过上下文学习只学会了如何模仿例子里的回答风格，但还没有真正理解执行指令的逻辑。
指令跟随任务相对还是比较复杂和开放的，没那么容易掌握。
想让AI助手更“听话”，暂时还是很难有捷径可走。
论文地址：
https://arxiv.org/abs/2405.19874
参考链接：
[1]https://x.com/maksym_andr/status/1796574297894318136
如何学习AI大模型？
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
这篇关于OpenAI把GPT-4原始版给了他们：研究不微调只靠提示词能走多远的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
