AN OVERVIEW OF LANGUAGE MODELS RECENT DEVELOPMENTS AND OUTLOOK

LLM系列相关文章，针对《AN OVERVIEW OF LANGUAGE MODELS: RECENT DEVELOPMENTS AND OUTLOOK》的翻译。

摘要

语言建模研究文本串上的概率分布。它是自然语言处理中最基本的任务之一。它已被广泛用于文本生成、语音识别、机器翻译等。传统的语言模型（CLM）旨在以因果方式预测语言序列的概率，而预训练语言模型（PLM）涵盖了更广泛的概念，可用于因果序列建模和下游应用的微调。PLM有自己的训练范式（通常是自我监督的），并作为现代NLP系统的基础模型。本文从语言单元、结构、训练方法、评估方法和应用五个方面介绍了CLM和PLM。此外，我们还讨论了CLM和PLM之间的关系，并阐明了预训练时代语言建模的未来方向。

1 引言

语言建模研究一系列语言单元（如单词）上的概率分布。它是自然语言处理中最基本的任务和长期存在的研究课题之一。所开发的语言模型在许多计算语言学问题中得到了应用，如文本生成、机器翻译、语音识别、自然语言生成、问答系统等。
语言建模有两种主要方法：1）基于相对较小语料库集的统计方法，以及2）基于明显较大语料库集的数据驱动方法。传统的语言模型以因果方式预测语言序列的概率。它们可以通过两种语言建模方法来学习。数据驱动方法已成为当今的主流。它利用大量的语料库来训练神经网络模型，从而产生预训练语言模型（PLM）。然后使用特定任务的数据集和下游应用程序的目标对PLM进行微调。在这篇综述文章中，我们将CLM定义为以因果方式预测语言序列概率的语言模型。相比之下，PLM指的是针对广泛的语言任务和目标预先训练的语言模型。需要注意的是，这两个概念并非排他性的。一个LM可以分为两类。例如，GPT模型可以以因果方式预测语言序列的概率。他们还接受了各种下游任务的预先训练。我们对CLM和PLM进行了概述，并从五个角度对其进行了研究：1）语言单元，2）架构，3）