一文搞懂大模型的预训练（Pre-training） - 链载Ai

一、BERT（MLM + NSP）

ingFang SC", system-ui, -apple-system, BlinkMacSystemFont, "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;visibility: visible;box-sizing: border-box !important;overflow-wrap: break-word !important;">BERT的预训练：MLM与NSP

基于Transformer编码器的双向架构，BERT通过掩码语言模型（MLM）和下一句预测（NSP）任务学习上下文语义。MLM随机遮盖15%的输入词，强制模型从双向语境中预测缺失词，突破传统单向模型的局限；NSP则通过判断句子对是否连贯，强化跨句推理能力。

在BERT的预训练中，模型通过Masked Language Modeling（MLM）任务学习双向上下文，即随机遮盖输入文本中15%的词，并基于被遮盖词左右两侧的上下文预测该词。

（1）任务：随机遮盖输入文本中的15%的词，要求模型预测被遮盖的词。

（2）示例：输入句子为“The cat sits on the [MASK]”，模型需要预测“[MASK]” 为 “mat”。

ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: left;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;font-size: 15px;-webkit-tap-highlight-color: transparent;margin-top: 0px;margin-right: 0px;margin-left: 0px;padding: 0px;outline: 0px;max-width: 100%;visibility: visible;box-sizing: border-box !important;overflow-wrap: break-word !important;">ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif, "Apple Color Emoji", "Segoe UI Emoji";list-style: none;margin: 0px;scrollbar-width: none;font-weight: 600;color: rgb(6, 7, 31);font-size: 15px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(253, 253, 254);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">BERT通过Next Sentence Prediction（NSP）任务，以50%概率输入连续句子和50% 概率输入随机句子，训练模型学习句子间的逻辑关系，以提升问答、文本分类等任务的性能。

（1）任务：判断两个句子是否是连续的（50%是连续的，50%是随机的）。

（2）正例：“I like cats” + “They are cute.”

（3）负例：“I like cats” + “The sky is blue.”

三、新手学习建议：

阶段1：理论入门（2-3天）

ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: left;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;visibility: visible;box-sizing: border-box !important;overflow-wrap: break-word !important;">（1）目的：理解MLM和NSP的设计动机与核心逻辑。

（2）BERT论文：重点阅读《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》的 Section 3（预训练任务设计）。

（3）类比理解：MLM就像你在玩“填空游戏”，需要根据前后文猜出被遮盖的词（如“I like [MASK]” → “cats”）；NSP就是判断两句话是否来自同一篇文章（如“I like cats” + “They are cute.”是连续的，而“I like cats” + “The sky is blue.”是随机的）。

阶段2：代码复现（5-7天）

（1）目标：通过代码理解MLM和NSP的实现细节。

（2）代码：无需从零实现，直接基于transformers库调用预训练模型微调。

fromtransformersimportBertTokenizer,BertForMaskedLM,BertForNextSentencePrediction,Trainer,TrainingArgumentsimporttorch#加载预训练模型和tokenizertokenizer=BertTokenizer.from_pretrained("bert-base-uncased")model_mlm=BertForMaskedLM.from_pretrained("bert-base-uncased")#MLM专用model_nsp=BertForNextSentencePrediction.from_pretrained("bert-base-uncased")#NSP专用（旧版BERT支持）#示例输入（MLM）text="Thecatsitsonthe[MASK]."inputs=tokenizer(text,return_tensors="pt")outputs=model_mlm(**inputs)predicted_token_id=torch.argmax(outputs.logits[0,-1]).item()print(tokenizer.decode(predicted_token_id))#输出预测的词（如"mat"）#示例输入（NSP）sentence1="Ilikecats."sentence2="Theyarecute."sentence3="Theskyisblue."inputs_nsp=tokenizer(sentence1+"[SEP]"+sentence2,return_tensors="pt")#正例inputs_nsp_neg=tokenizer(sentence1+"[SEP]"+sentence3,return_tensors="pt")#负例model_nsp=BertForNextSentencePrediction.from_pretrained("bert-base-uncased")#注意：新版本BERT已合并MLM+NSP

二、GPT（CLM）

GPT的预训练：因果语言建模（CLM）

GPT的因果语言建模（CLM）通过单向自回归，擅长生成连贯文本，但无法利用后文，更适配“创作”任务；而BERT的掩码语言建模（MLM）类似双向“完形填空”，更擅长上下文理解，适配“理解”任务。

一、CLM（Causal Language Modeling）
在GPT的预训练中，模型使用ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", "Source Han Sans CN", sans-serif, "Apple Color Emoji", "Segoe UI Emoji";list-style: none;margin: 0px;scrollbar-width: none;font-weight: 600;color: rgb(6, 7, 31);font-size: 15px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(253, 253, 254);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">因果语言建模（CLM）通过单向上下文（仅前文）预测下一个词（数学表达为 P(wt∣w1,...,wt−1)），像“逐字听写”或“打字机”一样，每次只能看到之前输入的内容，逐步生成后续文本。
GPT系列模型（GPT-1/2/3/4）均基于CLM，通过Transformer的单向注意力掩码实现。
（1）任务：基于前文预测下一个词，类似于人类逐字阅读文本的过程。
（2）示例：输入“The cat sits on the”，模型需要预测下一个词是“mat”。

二、新手学习建议：

阶段1：理论入门（2-3天）

ingFang SC", system-ui, -apple-system, "system-ui", "Helvetica Neue", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 17px;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: 0.578px;orphans: 2;text-align: left;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;visibility: visible;box-sizing: border-box !important;overflow-wrap: break-word !important;">（1）目的：理解CLM的核心概念、数学原理及其与GPT的关系。

（2）BERT论文：重点阅读《Improving Language Understanding by Generative Pre-Training》（GPT-1原始论文）的 Section 2（模型架构与预训练任务）和《Language Models are Unsupervised Multitask Learners》（GPT-2论文），理解CLM在生成任务中的扩展应用。

（3）类比理解：CLM就像你在写作文时，只能根据之前写的内容决定下一个词（如“The cat sits on the [?]”），无法回头修改或参考后文。

阶段2：代码复现（5-7天）

（1）目标：通过代码理解CLM的实现细节，包括Transformer的单向注意力掩码。

（2）代码：同样无需从零实现，直接基于transformers库调用预训练模型微调。

fromtransformersimportGPT2LMHeadModel,GPT2Tokenizerimporttorch#加载预训练模型和tokenizertokenizer=GPT2Tokenizer.from_pretrained("gpt2")model=GPT2LMHeadModel.from_pretrained("gpt2")#输入文本（CLM任务）input_text="Thecatsitsonthe"inputs=tokenizer(input_text,return_tensors="pt")#生成下一个词outputs=model.generate(**inputs,max_length=20,num_return_sequences=1)print(tokenizer.decode(outputs[0]))#输出完整句子（如"Thecatsitsonthematandsleeps."）