UL2

UL2全称是Unifying Language Learning Paradigms，是谷歌发布的一个大语言模型。UL2是谷歌尝试的一种与GPT-3、PaLM不同的大语言模型路径。它是一种模型训练框架，基于该框架谷歌训练了多个不同的模型，并开源了部分训练结果。

现有的预训练模型一般都是针对某一类问题的。到目前为止，对于什么是正确的架构和预训练设置，似乎还没有达成共识。换句话说，如Decoder-only、Encoder-Decoder等。不同的结构对于不同的下游任务影响不同，意味着根据不同的目标，我们通常需要不同结构的模型去训练。而UL2是谷歌提出的一个统一的预训练模型的框架，这些模型在不同的数据集和设置中都是有效的。也就是说，即便是根据不同的下游任务和目标，UL2也可以利用自己优秀的泛化能力，以一种通用的结构来训练，获取更好的效果。

谷歌首先将架构原型与预训练目标分开，这两个概念通常被混为一谈。接下来，为NLP中的self-supervision提出了一个普遍而统一的观点，并展示了不同的预训练目标是如何相互转化的，以及不同目标之间的插值是如何有效的。

谷歌也在这个模型框架中提出了Mixture-of-Denoisers（MoD），一个将不同的预训练范式结合起来的预训练目标。并进一步介绍了模式切换的概念，其中下游的微调与特定的预训练方案相关。

广泛的实验表明UL2在多种不同的设置中超越了T5或类似GPT的模型，从而推动了Pareto-frontier的发展。最后，通过将UL2模型扩展到200亿的参数，它在50个公认的有监督的NLP任务上取得了SOTA性能，这些任务包括语言生成（有自动和人工评估）、语言理解、文本分类、问题回答、常识推理、长文本推理、结构化知识基础和信息检索。同时，UL2在语境学习方面也取得了很好的效果，在zero-shot的SuperGLUE上超过了1750亿参数的GPT-3，在one-shot的摘要任务上是T5-XXL性能的三倍。

下图是UL2在五个算数推理基准上的表现结果：

UL2模型最大的特点是开源，目前已开源的版本由3个，都是200亿参数，但是迭代的步骤分别是1870000、2050000、2650000的三个版本：

-----2023/2/28更新----------

谷歌发布了基于UL2进行指令微调的Flan-UL2 20B版本参数的模型预训练结果，详情： https://www.datalearner.com/ai-resources/pretrained-models/flan-20b