GPT-3文本生成模型介绍

GPT-3模型是一个通用的预训练生成模型，使用Transformer的Decoder-only结构，可以用于解决下游各种类型的生成任务，特别是zero-shot生成能力。模型利用大量无监督数据，通过自回归任务进行预训练。可以用于解决文本生成相关的任务包含：文本摘要、问题生成、data-to-text等。

模型描述

GPT-3模型使用Transformer的 Decoder结构，并对Transformer Decoder进行了一些改动，原本的Decoder包含了两个 Multi-Head Attention 结构，GPT-3只保留了 Mask Multi-Head Attention，利用常规的语言建模优化，从左到右的自回归预训练。本模型是基于GPT-3的代码结合大量中文无监督数据和下游任务数据预训练得到，我们训练了多种不同参数的模型，此处展示的是GPT-3 Large模型。GPT-3模型介绍，详见：Language Models are Few-Shot Learners
。该模型是基于中文GPT-3 Large在诗词生成数据集上训练得到的。

期望模型使用方式以及适用范围

本模型主要用于诗词生成场景。比如用户可以自行尝试输入各种内容，然后让模型去回答、续写或者根据指令回复

如何使用

在安装完成MaaS-lib之后即可使用GPT-3的text-generation的能力

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
text_generation_zh = pipeline(Tasks.text_generation, model='leiwang1/education_model')
result_zh = text_generation_zh("落木旧山寺")
print(result_zh['text'])

模型局限性以及可能的偏差

模型在古诗词数据集上训练，有可能在其他方向生成产生一些偏差，请用户自行评测后决定如何使用。

训练数据介绍

本模型采用无监督数据和有监督下游数据相结合的方式对GPT-3进行预训练，其中无监督数据包含公开可下载的语料，有监督数据包含摘要、诗词、作文等数据集

训练tips

训练lr设置可参考上述表格里面不同模型的设置
对于训练数据较长的场景，可适当增加训练epoch

相关论文以及引用信息

如果GPT-3模型对您有帮助，请您引用该模型的相关文章：

@inproceedings{NEURIPS2020_1457c0d6,
 author = {Brown, Tom and Mann, Benjamin and Ryder, Nick and Subbiah, Melanie and Kaplan, Jared D and Dhariwal, Prafulla and Neelakantan, Arvind and Shyam, Pranav and Sastry, Girish and Askell, Amanda and Agarwal, Sandhini and Herbert-Voss, Ariel and Krueger, Gretchen and Henighan, Tom and Child, Rewon and Ramesh, Aditya and Ziegler, Daniel and Wu, Jeffrey and Winter, Clemens and Hesse, Chris and Chen, Mark and Sigler, Eric and Litwin, Mateusz and Gray, Scott and Chess, Benjamin and Clark, Jack and Berner, Christopher and McCandlish, Sam and Radford, Alec and Sutskever, Ilya and Amodei, Dario},
 booktitle = {Advances in Neural Information Processing Systems},
 editor = {H. Larochelle and M. Ranzato and R. Hadsell and M.F. Balcan and H. Lin},
 pages = {1877--1901},
 publisher = {Curran Associates, Inc.},
 title = {Language Models are Few-Shot Learners},
 url = {https://proceedings.neurips.cc/paper/2020/file/1457c0d6bfcb4967418bfb8ac142f64a-Paper.pdf},
 volume = {33},
 year = {2020}
}