chatgpt
協同工作來完成視
覺和語音任務。
除此以外，許多類
chatgpt
的大模型也同樣在自然語言處理方麵展示出來了較好的效果。
lma
是應該從
7llion
到
65llion
參數的語言模型，不需要求助於專有的數據集。清華大學
提出了一種基於自回歸填充的通用語言模型
glm
在整體基於
transformer
的基礎上作出改動，在一
些任務的表現上優於
gpt3-175b。
大語言模型，例如
gpt
係列、lma
係列、gemini
係列等，在自然語言處理方麵取得了顯著的
成功，展示了超強的性能，但仍麵臨諸如幻覺、過時的知識、不可追溯的推理過程等挑戰。2020
年，由
lewis
等人引入的檢索增強生成方法，通過整合來自外部數據庫的知識，然後再繼續回答問
題或生成文本。這個過程不僅為後續階段提供信息，而且確保響應是基於檢測到的證據的，從而顯
著提高輸出的準確性和相關性。在推理階段從外部知識庫動態檢索信息使
rag
能夠解決諸如生成幻
覺等問題。rag
與
llm
的集成得到了迅速的應用，提高了自然語言處理任務的性能，並且使得模型
能夠更好地利用外部知識和背景信息。
自
2020
年起，全球大語言模型在自然語言處理、計算機視覺、語音識彆、推薦係統等領域表
現出卓越技術優勢，市場規模持續增長，預計到
2028
年將達到
1095
億美元。國外大模型產品研發
在
2021
年進入高速發展期，穀歌、openai、英偉達、微軟等公司都推出了自主研發的大模型，截
至
2023
年
7
月底，國外已發布了
138
個大模型。我國大模型發展迅速，與國際前沿保持同步，百
度、騰訊、清華大學、北京航空航天大學等單位都推出了自己的大模型，截至
2023
年七月底，我
國已發布
130
個大模型。
2.2
知識抽取
知識抽取主要分為命名實體識彆和關係抽取兩方麵。命名實體識彆（ner）任務，旨在識彆與
特定語義實體類型相關聯的文本跨度。該任務最早於
1991
年由
rau
等人提出。隨著信息理解、人
工智能等領域的頂級會議對
ner
任務的評測，其定義逐漸細化和完善，並逐漸成為自然語言處理
（nlp）領域的重要組成部分。然而，不同領域對實體類型的定義存在差異，因此
ner
模型的構建
取決於特定領域任務需求，通常涵蓋人物信息、地點信息和組織機構信息等。對於英語、法語、西
班牙語等外語文本，通常采用單詞作為基本單位，因此基於這些語言的
ner
模型主要關注單詞本身
的語義特征和上下文信息。然而，中文語料文本通常由字符構成，需要考慮字符的語義信息和詞彙。
特征，同時引入其他表征信息來提升模型性能，如中文分詞（cws）、語義部分標簽（pos）等外部
信息，因此構建中文命名實體識彆（er）模型更為複雜。目前，ner
任務的研究方法主要包括基
於詞典和規則的方法、基於機器學習（ml）的方法以及基於深度學習（dl）的方法。
今天為什麼講座要那麼長時間。
（www.101novel.com）