Skip to main content

11.6.5 T5【选修】

T5 text-to-text 任务统一图

读图提示

T5 的核心是把分类、翻译、摘要、问答都改写成 text-to-text。读图时重点看任务前缀、输入文本和输出文本如何统一接口，而不是只把 T5 当成另一个 seq2seq 模型。

本节定位

T5 很值得学，不是因为它只是一个具体模型， 而是因为它把一个很重要的想法推得非常彻底：

把很多 NLP 任务统一写成“输入文本 -> 输出文本”。

这件事看起来简单，但它对任务组织方式影响很大。

学习目标​

  • 理解 T5 的 text-to-text 统一思路
  • 理解它和 BERT / GPT 的任务组织差异
  • 通过可运行示例建立“任务转文本”的直觉
  • 理解为什么 T5 对很多生成型 NLP 任务很自然

先建立一张地图​

T5 这节最适合新人的理解顺序不是“它又是一个新模型”，而是先看清：

所以这节真正想讲的不是“又多一个模型名字”，而是：

  • 为什么任务组织方式可以被统一
  • 为什么这会影响我们设计数据和接口的方式

一个更适合新人的总类比​

你可以把 T5 理解成：

  • 给很多 NLP 任务换上一种统一的题目格式

以前像是：

  • 分类题用答题卡
  • 翻译题用作文纸
  • 问答题用问答纸

而 T5 更像是：

  • 统一改成“把题目写进文本里，再把答案也写成文本”

这样一来，很多原本看起来不一样的任务，就开始能用同一种接口来组织。

一、T5 最重要的思想是什么？​

把不同任务都写成文本到文本​

例如：

  • 翻译 translate English to Chinese: hello
  • 摘要 summarize: ...
  • 问答 question: ... context: ...
  • 分类 classify sentiment: ...

为什么这很有意思？​

因为它把原本看起来差异很大的任务，统一成了一个共同接口：

  • 输入是一段文本
  • 输出也是一段文本

一个类比​

如果说传统做法像给每种任务配一个专门插头， T5 更像想用一套统一插口接更多设备。

二、T5 和 BERT / GPT 的差别在哪里？​

BERT 更像表示学习底座​

它擅长：

  • 编码
  • 理解

GPT 更像自回归生成器​

它擅长：

  • 连续生成
  • 对话
  • 写作

T5 更强调任务统一接口​

它的特点是：

  • Encoder-Decoder 结构
  • text-to-text 任务表述

这让很多需要“输入一段文本，再输出另一段文本”的任务都很自然。

三、先跑一个最小 text-to-text 示例​

tasks = [
    {"input": "translate English to Chinese: hello world", "target": "你好 世界"},
    {"input": "summarize: 这门课程系统讲解了 NLP 核心技术。", "target": "课程讲解 NLP 核心技术"},
    {"input": "classify sentiment: 我非常喜欢这门课", "target": "positive"},
]

for item in tasks:
    print(item)

预期输出：

{'input': 'translate English to Chinese: hello world', 'target': '你好 世界'}
{'input': 'summarize: 这门课程系统讲解了 NLP 核心技术。', 'target': '课程讲解 NLP 核心技术'}
{'input': 'classify sentiment: 我非常喜欢这门课', 'target': 'positive'}

每一行都是同一种结构：输入文本里包含任务指令，目标文本就是希望模型生成的答案。这就是 “text-to-text” 在数据格式上的真实含义。

这段代码为什么有价值？​

因为它让你非常直观地看到：

  • 不同任务虽然目标不同
  • 但在 T5 风格里都能统一成“文本输入 + 文本输出”

这和传统分类接口最大的差别是什么？​

分类传统上可能输出：

  • 一个 class id

而在 T5 范式里， 它也可以输出：

  • positive
  • negative

也就是文本本身。

新人第一次学 T5，最该先记什么？​

最值得先记的其实是：

  1. T5 的特别之处不只是结构，还有任务表述方式
  2. 它把很多 NLP 任务统一成“文本进，文本出”
  3. 这会让你重新理解“分类也可以是生成”

再看一个最小“同一接口，不同任务”示例​

examples = [
    ("translate English to Chinese: good morning", "早上好"),
    ("summarize: 这门课系统讲解了机器学习与深度学习。", "课程讲解机器学习与深度学习"),
    ("question: 退款期限是多久? context: 课程购买后7天内可退款。", "7天内"),
    ("classify topic: 这篇文章主要讨论 GPU 显存优化", "hardware"),
]

for src, tgt in examples:
    print({"input": src, "target": tgt})

预期输出：

{'input': 'translate English to Chinese: good morning', 'target': '早上好'}
{'input': 'summarize: 这门课系统讲解了机器学习与深度学习。', 'target': '课程讲解机器学习与深度学习'}
{'input': 'question: 退款期限是多久? context: 课程购买后7天内可退款。', 'target': '7天内'}
{'input': 'classify topic: 这篇文章主要讨论 GPU 显存优化', 'target': 'hardware'}

这个小数据集还不是为了训练模型，而是一次格式检查：选模型之前，先确认每个任务都能被写成清楚的输入文本和清楚的目标输出文本。

这个示例很适合初学者，因为它会把一个原本抽象的说法变得很具体：

  • 原来分类、问答、翻译、摘要
  • 都真的可以被改写成同一类“文本输入 -> 文本输出”

四、T5 为什么对很多任务特别自然？​

因为很多 NLP 任务本来就能看成文本转换​

例如：

  • 句子 -> 另一种语言句子
  • 长文 -> 摘要
  • 问题 + 上下文 -> 答案

它对“生成式分类”也很友好​

有些任务并不是必须输出一个整数标签。 直接输出标签词本身，有时也很自然。

这带来的一个工程好处​

任务接口更统一。 你在思考数据格式时也更容易沿着同一条线组织。

第一次把任务改写成 text-to-text，最稳的默认顺序​

更稳的顺序通常是：

  1. 先写清楚任务前缀
  2. 先定义输出文本长什么样
  3. 先挑几个例子确认这种写法自然不自然
  4. 再决定是否值得统一成同一接口

这样会比一上来就把所有任务硬改成 text-to-text 更稳。

五、最容易踩的坑​

误区一：T5 就只是另一个 seq2seq 模型​

不止。 它更重要的地方在于：

  • 任务表述方式

误区二：text-to-text 一定比其他范式更好​

不是。 它是一种统一思路，不代表所有任务都绝对最优。

误区三：统一接口就等于更简单​

统一接口会带来很多好处， 但也仍然需要仔细设计输入提示和输出格式。

如果把它做成笔记或项目，最值得展示什么​

最值得展示的通常不是：

  • “T5 也能做分类”

而是：

  1. 同一接口下的多种任务样例
  2. 输入前缀如何改变任务类型
  3. 为什么这种方式对工程组织有帮助
  4. 它和 BERT / GPT 的任务视角差异

这样别人会更容易看出：

  • 你理解的是任务组织方式的变化
  • 不只是又记住了一个模型名

小结​

这节最重要的是建立一个任务组织直觉：

T5 的真正价值，不只是模型本身，而是它证明了很多 NLP 任务都可以被统一写成 text-to-text 的形式。

只要这一层理解清楚，后面你看很多现代生成式任务时就会更自然。

这节最该带走什么​

  • T5 的价值不只在模型，而在 text-to-text 范式
  • 统一任务接口会改变你组织数据和任务的方式
  • 这也是后面很多生成式 NLP 工作流的重要前身

练习​

  1. 自己再写 3 个任务，把它们都改写成 text-to-text 格式。
  2. 为什么说 T5 的重要性不只在模型，而在任务统一方式？
  3. 想一想：哪些任务特别适合 text-to-text，哪些任务可能未必需要这么组织？
  4. 用自己的话解释：T5 和 BERT / GPT 在任务视角上的差异。