跳到主要内容

预训练范式

本节定位

这一章的主线其实只有一句话：

先在大语料上学通用能力，再把这些能力迁移到具体任务。

这就是现代 NLP 的预训练范式。

如果前面只把它看成“先训一下再微调”，后面会很容易只剩术语。
所以这一节要把它为什么重要、为什么改变整个 NLP 讲清楚。

学习目标​

  • 理解预训练范式和“每个任务从零训练”的差别
  • 理解预训练 -> 迁移 -> 微调的主线
  • 通过可运行示例建立“共享底座”的直觉
  • 理解为什么现代 NLP 主线几乎都围绕它展开

先建立一张地图​

如果你已经学过词向量、上下文化表示和语言模型，这一节最自然的续接就是：

  • 前面你已经看到文本表示越来越强
  • 这一节开始回答“为什么后来整个 NLP 都开始围绕一个共享底座来组织”

所以预训练范式不是“又多训一步”，而是：

  • 任务组织方式本身变了

预训练范式这节最适合新人的理解顺序不是“先记模型名”，而是先看清：

所以这节真正想讲清的是：

  • 为什么“每个任务从零训练”会浪费
  • 为什么“先学底座，再迁移”会改变整个 NLP 主线

一、为什么预训练会改变整个 NLP？​

1.1 因为很多任务共享底层语言能力​

无论是：

  • 分类
  • NER
  • 问答
  • 翻译

它们都需要一些共同底层能力，例如：

  • 词义理解
  • 语法结构
  • 上下文建模

1.2 如果每个任务都从零学，会很浪费​

这就像：

  • 每次做新题，都从头学语言本身

显然成本很高。

1.3 预训练范式的核心​

于是更合理的做法就变成：

  1. 先在海量通用文本上学基础能力
  2. 再把这份能力迁移到具体任务

这就是现代 NLP 的主线。

1.4 第一次学预训练范式，最该先抓住什么？​

最该先抓住的不是模型名，而是这句：

预训练的核心价值，是把很多任务都共享的语言能力先集中学出来。

这句话一旦稳住，后面你再看：

  • BERT
  • GPT
  • T5

就会更自然地先问：

  • 它在这条共享底座主线里扮演什么角色？

二、预训练、迁移、微调三者关系是什么？​

2.1 预训练​

目标是：

  • 学通用语言表示和模式

2.2 迁移​

目标是：

  • 把已有能力带到新任务上

2.3 微调​

目标是：

  • 在具体任务上做进一步适配

2.4 一个类比​

预训练像先读通识教材。
迁移像把这套基础搬去新科目。
微调像针对考试题型做专项训练。

2.5 为什么这个类比特别值得先记？​

因为很多新人第一次接触预训练，会误以为：

  • 预训练 = 再多训练一会儿

但这个类比会帮你更稳地看到：

  • 预训练在学通用能力
  • 迁移在复用能力
  • 微调在做任务适配

三、先跑一个“共享底座”示例​

shared_representation = {
    "退款": [1.0, 0.2, 0.1],
    "发票": [0.3, 1.0, 0.1],
    "密码": [0.1, 0.2, 1.0],
}


def sentence_vector(tokens):
    vectors = [shared_representation[token] for token in tokens if token in shared_representation]
    dim = len(vectors[0])
    return [sum(vec[i] for vec in vectors) / len(vectors) for i in range(dim)]


def classify_intent(tokens):
    vec = sentence_vector(tokens)
    scores = {
        "refund": vec[0],
        "invoice": vec[1],
        "password": vec[2],
    }
    return max(scores, key=scores.get), scores


for tokens in [["退款"], ["发票"], ["密码"]]:
    print(tokens, "->", classify_intent(tokens))

3.1 这个例子在说明什么？​

它想表达的不是一个真实强模型，
而是最核心的范式感觉：

  • 先有共享表示底座
  • 再在其上完成具体任务

3.2 为什么这很像预训练时代的思路？​

因为你不再是：

  • 每个任务单独从零学所有表示

而是：

  • 复用一套已有语言表示

3.3 新人第一次学预训练范式，最该先记什么？​

最值得先记的其实是：

  1. 预训练不是“多训一步”，而是在换任务组织方式
  2. 共享底座能力是现代 NLP 的核心资产
  3. 下游任务的门槛因此大幅下降

3.4 为什么“共享底座”这个视角特别重要？​

因为它会直接改变你后面看问题的方式。

你不再只是问：

  • 这个任务要不要单独做一个模型？

而会开始更自然地问：

  • 这个任务能不能建立在已有底座之上？
  • 我到底需要微调、特征抽取，还是 Prompt？

四、为什么这条路后面会走向 BERT / GPT / T5？​

4.1 因为它能规模化​

一旦预训练成立，
更大的数据、更多的计算通常会继续提升底座能力。

4.2 因为它更通用​

同一底座可以迁移到很多任务。

4.3 因为它降低了下游门槛​

很多任务不再需要从零训练一个大模型，
而是：

  • 直接拿预训练模型适配

五、最容易踩的坑​

5.1 误区一：预训练范式只是“先训练一下”​

不对。
它改变的是整个任务组织方式。

5.2 误区二：所有任务都一定要微调​

有些任务只要：

  • 特征抽取
  • Prompt
  • 检索

就够了。

5.3 误区三：只记模型名字，不理解范式​

真正重要的是：

  • 为什么先学通用能力再迁移有效

小结​

这节最重要的是建立一个时代判断：

现代 NLP 的核心变化，不只是模型变大了，而是训练范式从“每个任务单独做”转向了“先学通用底座，再迁移适配”。

只要这层判断立住，后面学 BERT、GPT、T5 就不会只剩流行词。

这节最该带走什么​

  • 现代 NLP 的关键变化，不只是模型更大，而是范式变了
  • 预训练、迁移、微调必须放在同一条主线里理解
  • 后面学 BERT / GPT / T5 时，先想它们各自在这条主线里的角色

如果再压成一句话，那就是：

预训练范式真正改变的，不只是训练顺序，而是整个 NLP 从“任务各做各的”转向了“共享一个更强的语言底座”。

练习​

  1. 用自己的话解释：为什么预训练范式会显著降低很多 NLP 任务的门槛？
  2. 想一想：哪些任务可能只需要预训练特征，不一定要全量微调？
  3. 这个“共享底座”例子在真实系统里分别对应什么？
  4. 为什么说预训练范式改变的不只是模型，而是整个任务组织方式？