2023年11月20日 每日一猜答案：。 答案：ABC。
每日一猜答案分析：

作者：王嘉宁编辑：LRS

近日，华师大HugAILab团队研发了HugNLP框架，这是一个面向研究者和开发者的全面统一的NLP训练框架，可支持包括文本分类、文本匹配、问答、信息抽取、文本生成、小样本学习等多种NLP任务模型搭建和训练。

开源地址：论文：

值得注意的是，HugNLP还集成了大量最新的Prompt技术，例如Prompt-Tuning、In-Context Learning、Instruction-tuning，未来还将引入Chain-of-thought

HugAILab团队还研发了一系列的应用，例如CLUE&GLUE刷榜工具，可支持ChatGPT类模型训练和部署产品HugChat，以及统一信息抽取产品HugIE等。

HugNLP是一个分层式框架，遵循“高内聚低耦合”的开发模式，其核心包括模型层（Models）、处理器层（Processors）、评估器层（E【【微信】】）和应用层（Applications）四部分。

框架图如下所示：

• 模型层：包含模型部分，主要按照任务类型进行划分；
• 处理器层：对数据进行加载、缓存、分词等处理，并转换为模型输入的Tensor；
• 评估器层：根据不同类型的任务（分类或生成），指定不同的评估流程和评价指标；
• 应用层：对应的应用执行脚本。理论上来说，选定一个模型、一个数据处理器以及一个评估器，即可对应一个应用。

HugNLP完全基于HuggingFace开发，具有易扩展、易部署能力，同时集成了MLFlow训练追踪器，方便使用者及时追踪实验进度，并进行实验分析。

HugNLP框架之所以称为全面，是因为其集成了大量的NLP任务模型，目前已经实现的包括：

• 预训练：Masked LM、Causal LM、知识增强预训练；
• Instruction-Tuning：支持自回归生成式、区间抽取式、NLI等统一范式训练；
• 文本分类/匹配：传统Fine-tuning、Prompt-tuning、In-Context Learning；
• 序列标注： 支持NER等序列标注任务；
• 元学习： 基于序列的元学习（SentenceProto）、基于区间的元学习（SpanProto）、基于token的元学习（TokenProto，NNShot）；
• 问答：支持抽取式问答、多项选择式问答、开放生成式问答；
• 文本生成：支持文本摘要、机器翻译（正在开发中）；
• 代码智能：目前集成了代码克隆检测（Clone）、代码缺陷检测（Defact）等Code任务；

快速部署HugNLP框架，只需要执行代码三行命令即可：

git clone https://github.com/HugAILab/HugNLP.git

下面介绍HugNLP的几个核心能力：

• Benchmark一键刷榜；
• 预训练和知识注入；
• Fine-tuning & Prompt-tuning；
• Instruction-tuning；
• In-Context Learning；
• 半监督Self-training；
• Code代码智能；

一、Benchmark一键刷榜

HugNLP最先开发了面向一些常用榜单的刷榜工具，例如GLUE、CLUE等。用户只需要配置相应的数据集名称，即可实现一键刷榜。

为了验证框架的有效性，在22年9月提交了CLUE榜单的刷榜结果，选择一系列中文小模型（RoBERTa、MacBERT、P-BERT等）并结合了logits集成方法，至今依然维持在第15名位置，曾一度超越了部分企业。

例如如果训练CLUE榜单的AFQMC数据集，可编辑文件

applications/benchmark/clue/clue_finetune_dev.sh

修改参数：

--【【微信】】="data_name=afqmc"

执行下列命令即可：

bash applications/benchmark/clue/clue_finetune_dev.sh

同样的方法还可以训练一些常用的NLP任务，例如阅读理解、实体识别、以及GLUE英文数据集等。

HugNLP还集成了一系列模型用于刷榜，例如BERT、RoBERTa、DeBERTa、MacBERT、Erlangshen等。

二、预训练与知识注入

传统的一些预训练模型（例如BERT、GPT2等）是在通用语料上训练的，而对领域事实知识可能不敏感，因此需要显式的在预训练阶段注入事实知识。

在HugNLP中，主要实现了几个知识增强预训练，包括DKPLM和KP-PLM。DKPLM是一种可分解的知识注入方法；KP-PLM则是将结构化知识转化为自然语言描述的形式进行注入。这些知识注入的方法是可插拔式的，因此无需修改模型结构，很容易用于下游任务的微调。

执行下面命令即可进行Masked Language Modeling和Causal Language Modeling的预训练：

bash applications/pretraining/run_pretrain_mlm.sh

三、 Fine-tuning & Prompt-Tuning

基于预训练语言模型的NLP，通常遵循Pre-training和Fine-tuning范式。HugNLP也包含Fine-tuning技术。

3.1 参数有效性学习

HugNLP集成了包括Prefix-tuning、Adapter、BitFit、LoRA等参数有效性训练方法，可以加速模型的训练，降低显存占用量。

在训练脚本中，只需要添加一行参数，即可开启参数有效性训练：

--use_freezing

对于参数有效性方法，HugNLP实现了若干类别的分类模型，如下所示：

CLASSIFICATION_MODEL_CLASSES={

只需要指定下面参数即可，例如选择adapter进行分类：

--task_type=head_adapter_cls

3.2 对抗训练：引入对Embedding的扰动，提高模型的鲁棒性

HugNLP框架集成了若干种对抗训练的方法，其中最简单的对抗方法为FGM算法：

• 首先计算输入样本（通常为word embedding）的损失函数以及在处的梯度：；
• 计算在输入样本的扰动量：，其中为超参数，默认取1.0；
• 得到对抗样本：；
• 根据得到的对抗样本，再次喂入模型中，计算损失，并累积梯度；
• 恢复原始的word embedding，接着下一个batch。

在训练时，只需要添加一行参数，即可默认调用FGM算法：

--do_adv

3.3 Prompt-tuning：通过模板来复用预训练目标

传统的Fine-tuning在低资源场景下容易出现过拟合问题，因此复用预训练的目标可以拉近Pre-training和Fine-tuning之间的语义差异。

HugNLP集成了PET、P-tuning、Prefix-tuning等Prompt-Tuning算法，并无缝嵌入在NLP分类任务的模型里。

在训练时，只需要指定下面两个参数，即可以开启Prompt-tuning模式，例如选择p-tuning算法：

--task_type=masked_prompt_ptuning_cls

四、Instruction-tuning

在大模型时代，如何将不同类型的NLP任务进行范式统一，是构造通用人工智能的核心要素。HugNLP为此定义了三种统一范式的思想：

• 万物皆可生成：将所有NLP任务建模为单向自回归生成，例如GPT-3、ChatGPT等；
• 万物皆可抽取：将所有NLP任务建模为抽取式机器阅读理解；
• 万物皆可推断：将所有NLP任务建模为自然语言推断；

基于三种不同的范式统一，HugNLP推出两个核心产品，分别是：

• HugChat：基于生成式Instruction的中小型ChatGPT类模型；
• HugIE：基于抽取式Instruction的统一信息抽取框架；

4.1 HugChat：基于Causal Language Modeling的生成式对话模型

最近ChatGPT火爆全球，为了让研究者可以训练自己的ChatGPT，HugNLP框架集成了基于生成式Instruction的训练产品――HugChat，其支持各种类型的单向生成式模型的训练，例如GPT-2、GPT-Neo、OPT、GLM、LLaMA等。

在8张V100 32G的条件下，可训练OPT-13B大模型。HugAILab团队开源了约200万条英文、300万条中文对话数据，用于训练模型。例如训练GPT-2（XL），可直接执行脚本：

bash https://zhuanlan.zhihu.com/p/application/instruction_prompting/HugChat/super【【微信】】/run_causal_instruction_gpt2_xl.sh

基于HugNLP，训练的GPT-2（1.3B）模型，即可实现很简单的对话任务。只需要执行如下命令即可玩转HugChat：

python3 applications/instruction_prompting/HugChat/hugchat.py

例如可以写套磁信邮件：

再例如搜索谷歌地球的相关信息：

也可以实现编写简单的代码（1.3B的模型具备此能力已经很惊叹了！）：

HugNLP目前正在开发其他类型的Decoder-only大模型，相关信息和开源内容如下表所示：

HugChat后期将推出垂直领域的大模型解决方案，同时将与OpenAI API进行融合，推出大模型服务框架。

4.2 HugIE：基于Global Pointer的统一信息抽取框架

信息抽取（Information Extraction）旨在从非结构化的文本中抽取出结构化信息，是构建知识库的重要步骤之一。通常信息抽取包括两个核心步骤，分别是命名实体识别（Named Entity Recognition）和关系抽取（Relation Extraction）。

我们基于HugNLP研发一款HugIE产品，旨在实现统一信息处理。其主要核心包括如下几个部分：

• 将实体识别和关系抽取，统一为新的范式――基于抽取式阅读理解的方法。HugIE采用Global Pointer模型实现信息抽取；
• 定义Instruction Prompt，指导模型生成需要抽取的内容；
• 采用多任务训练的方法训练；

HugIE目前已经开源了模型： 可以基于HugNLP框架使用HugIE抽取模型，如下图所示：

五、In-Context Learning

In-Context Learning（ICL） 首次由GPT-3提出，其旨在挑选少量的标注样本作为提示（Prompt），从而在形式上促使大模型生成目标答案。ICL的优势在于无需对参数进行更新，即可实现惊艳的效果。

HugNLP框架集成了ICL，主要涉及到样本的挑选和预测结果的校准两个部分：

• 样本挑选：默认为从训练集中随机挑选样本，后期将会开发一系列样本挑选的算法，例如聚类、K近邻、余弦相似度等；
• 预测校准：由于所挑选标注样本与待预测样本存在分布差异，需要对预测的概率分布进行校准，这里采用Calibrate Before Use方法，如下图，可以对预测分布进行校准，提高预测效果。

目前ICL已经集成在HugNLP里，只需要指定下面参数即可：

--【【微信】】="data_name=xxx num_incontext_example=4 l=1 use_calibrate=True"

六、半监督Self-training

半监督旨在同时结合标注数据和无标签数据来训练NLP任务。Self-training是一种简单但有效的迭代式训练方法，其通过Teacher模型先获取伪标签，对伪标签进行去噪后，再训练Student模型。传统的Self-training会引入大量噪声，从而降低训练的效果。

为了提高性能，HugNLP引入成熟的Uncertainty-aware Self-training技术。框架图如下所示：

其采用了来自贝叶斯推断中的MC Dropout技术，即对Teacher模型执行 次推理，每次推理开启Dropout开关，从而得到若干与Teacher模型满足独立同分布的模型预测。

基于这些预测结果，可以通过信息熵的变化量得到Teacher模型对无标签数据的不确定性量化指标（即BALD算法），核心公式如下：

进行多次DC Dropout的代码实现如下（详见hugnlp_trainer.py）：

y_T=list()

HugNLP使用半监督模式，只需要做两件事：

（1）执行脚本时添加参数：

--【【微信】】

（2）在指定的数据集目录下，存放unlabeled data文件。

七、其他更丰富的应用

目前HugNLP还开发了很多应用如下所示：还有更多丰富的应用正在开发中。HugNLP也欢迎有志之士加入HugAILab参与开源开发工作。

团队介绍

参考资料：

chat gpt能代替教培行业吗 chatgpt发展引起的职业规划反思

ChatGPT 引发的生成式人工智能浪潮，正以惊人的速度席卷各个领域，在线教培行业也不例外。面对来势汹汹的 AI，我们能用它来做些什么？本文作者对此进行了分析，希望对你有帮助。

最近 ChatGPT 成为科技和互联网行业关注的焦点，ChatGPT 作为一种基于深度学习的自然语言处理技术，在在线教培行业和知识付费行业中发挥着越来越重要的作用。关于 ChatGDT 对教培的影响相关讨论也越来越热烈，未来，ChatGPT 作为一种基于深度学习的自然语言处理技术，是否会完全取代老师？他又对在线教培行业带来哪些创业机会？ChatGPT 又有哪些优势和不足？

在回答这些问题之前，我们不妨先在介绍一次 ChatGDT：

ChatGPT 是什么？

这个问题，我觉得可以放上 ChatGPT 的亲自答：

ChatGPT 是基于 GPT-3.5 架构训练的大型语言模型，由 OpenAI 开发。它可以理解自然语言文本，并用自然语言方式回答问题或生成文本。ChatGPT 在多个任务上表现出色，例如自然语言生成、问答、文本分类、摘要等等。它是目前公认的最先进的自然语言处理技术之一。

一、ChatGPT 对该教培行业的影响

ChatGPT 作为一种基于深度学习的自然语言处理技术，在在线教培行业和知识付费行业中发挥着越来越重要的作用。它可以帮助教师和机构实现自动化教学、提供个性化学习体验、解答学生疑惑、提供定制化的教育资源等，进一步提高学生的学习效果和教学效率。同时，ChatGPT 还可以为教培行业带来新的商业模式和发展机遇。

本文将探讨 ChatGPT 在在线教培行业中的影响，以及可应用的场景，涉及以下方面：

1. 讲师提效：提升非决策性以及创意性环节的效率

随着远程教育和在线教育的兴起，ChatGPT 在在线教育中的应用越来越广泛。通过 ChatGPT，学生可以更加方便地与教师进行沟通交流，同时教师也可以更加快速地回答学生的问题，提高在线教学效率。ChatGPT 可以根据学生的提问，实时生成答案并提供解释，帮助学生更好地理解课程内容。此外，ChatGPT 还可以模拟真实的人际交流场景，让学生更好地融入课堂氛围，提高学习效果。

1）生成教学资源：老师可以向 ChatGPT 提供主题或关键词，然后让它生成相关的教学材料，例如练习题、演示文稿、笔记、以及教学大纲等等，提高备课的效率。

2）课程选题指导：依靠教学目标，ChatGPT 可以依靠大数据分析，给予讲师具体的选题指导，已到达更好的教学效果

3）生成营销文案：抓取课程高光时刻，自动转录成相关文字，用于社交媒体的宣发。同时，也可依靠课程内容，帮助讲师生成对应平台（小红书、微博、朋友圈等）对应的营销文案。

4）智能评估教学效果：老师可以利用 ChatGPT 批量对学生提交的作业进行评估，对学生的效果进行分析

5）智能化在线考试：ChatGPT 能够识别自然语言的语义和语境，可以帮助在线考试更加准确地评估学生的语言表达能力和思维逻辑。同时，ChatGPT 可以根据学生的答题情况，实时生成针对性的题目和解析，帮助学生更好地掌握知识。通过 ChatGPT 的自动评分功能，教师可以更加准确地评估学生的考试成绩，提高评估效率。

2. 教学模式创新：智能课堂、AI 分身

1）ChatGPT 充当 智能课程助理，打造教学督学智能化训练营

在线教育的一个重要挑战是如何提高互动性。ChatGPT 可以模拟人类对话，提高在线教学的互动性和趣味性。除此之外，ChatGPT 还可以进行情感分析和语音合成，使得在线教学更加贴近学生的需求和情感。学生可以通过和 ChatGPT 的对话，更好地理解课程内容，获得更好的学习体验。

ChatGPT 可用于【实时回答问题】，使其成为需要快速获取信息的学生的有用工具。

ChatGPT 可以【生成学习材料】，如摘要、要点汇总，帮助学生复习和学习课程材料，无需爬楼。

ChatGPT 可以通过回答问题和提供个性化的反馈，为学生提供【个性化的辅导】

ChatGPT 可用于【语言学习】，提供与虚拟语言导师的对话练习――英语教学

ChatGPT 可以生成评估，如小测验和考试，帮助教师评估学生的理解。教师可以要求 ChatGPT 生成一个关于特定主题的测验，并收到一套用于测试的多项选择题。同时也适合刷题的场景。

ChatGPT 可以组建【虚拟学习小组】，为学生提供讨论课程材料和项目合作的机会。例如，学生可以使用 ChatGPT 来促进历史课程的虚拟学习小组，他们可以讨论关键事件，分享想法和观点。

2）AI 智能版 " 在行 "，知识从业者打造自己的数字化分身，轻咨询模式自动化

创作者用自己所有生产过的内容，结合 ChatGPT 来训练一个机器人分身，当用户向咨询机器人提问时，咨询机器人结合用户的背景，重新调用、组合创作者生产过的内容，来给用户定制化的回答。

用户付费订阅或者买断某个讲师专属咨询机器人的使用权。整个过程相当于将轻咨询这种服务模式自动化

3. 学员体验：智能客服、学习推荐

ChatGPT 可以为在线教育和知识付费平台提供更加智能化和个性化的服务。例如，ChatGPT 可以根据学生的学习兴趣和需求，为学生推荐最适合的课程和学习资源，进一步提高学习效果。日常社群答疑可

1）微信群智能助理，个人微信化身 ChatGPT 机器人

提问增加上下文联系，持续对话

机器人群聊 @回复

机器人私聊回复

好友添加自动通过

群聊天记录自动提炼汇总重点

2）智能学习推荐官

在以前，大家的解决方案是做「学习地图」，来帮助用户体系化地学习不同的课程，比如『产品经理学习地图』，「瑜伽学习地图」等。

在有了这样的 " 智能学习推荐官 " 之后，结合 ChatGDT 新的交互方式，感觉可以更大程度上帮助用户找到适合自己的课程产品和服务。

除此之外，也可以针对某一个课程，与智能学习官展开讨论和追问，完成学习。

3）语言类教学口语练习

ChatGPT 可以用于创建语言交流平台，在安全和舒适的环境中与母语为某种语言的人练习口语。这种方式可以提高学习者的语言能力和交流能力。

虽然 ChatGPT 能够生成自然语言文本，但它并不能像人类老师一样具备丰富的专业知识、教学经验、情感理解、灵活性和创造力等特质。此外，ChatGPT 只是一种工具，它没有自己的目的、价值观和道德标准，因此需要人类老师来为它设置正确的目标和指导方向，以确保它生成的文本符合教学要求和学生需求。

虽然 ChatGPT 不能完全取代老师，但它可以作为一种辅助工具，帮助老师更好地备课、解答学生问题、生成教学资源等等。这样，老师可以更加高效和便捷地完成教学任务，并为学生提供更好的教育服务。

二、ChatGPT 的优势和挑战

高效性：模型推理速度快，ChatGPT 可以处理大量的自然语言文本，使得它在教学场景下可以实现自动化和高效化。例如，它可以自动回答学生的问题，帮助老师检查学生的作业等。

灵活性：多轮对话能力强，ChatGPT 可以针对不同的教学场景进行个性化的配置和定制化的设计。例如，可以为不同的学生提供不同的学习体验，满足他们的不同需求。

可靠性：ChatGPT 在处理自然语言时可以保持高质量的准确性和可靠性，避免了传统教学中由于人工处理自然语言所引起的误差。符合人类表达习惯，给出的内容体验佳。

可扩展性：ChatGPT 可以通过不断的训练和优化来不断提高其性能，并且可以在不同的教学场景下进行扩展和应用。支持的下游应用丰富，包含对话、代码等等多种场景

然而，ChatGPT 也存在以下挑战：

数据隐私：在使用 ChatGPT 时，需要收集和处理大量的学生数据，涉及到学生的隐私问题，需要采取一系列安全措施来保护学生的隐私。

算法不可解释性：由于 ChatGPT 是一种黑盒模型，它的决策过程难以解释。这可能会对一些教学场景带来挑战，例如，对于一些需要解释性模型的场景，如涉及到重要决策的场景，这可能会导致问题。

语言理解能力限制：ChatGPT 在理解复杂的语言结构和语义的时候，可能存在一些限制，例如，在处理非标准的语言、口语和方言时，它可能会存在一定的困难。

ChatGPT 作为一种新兴的人工智能技术，已经在在线教培行业中发挥了重要的作用。它可以帮助教师和机构实现自动化教学、提供个性化学习体验、解答学生疑惑、提供定制化的教育资源等，进一步提高学生的学习效果和教学效率。同时，ChatGPT 还可以为教培行业带来新的商业模式和发展机遇。

虽然 ChatGPT 在教学场景下具有很多优势，但仍然存在一些挑战，如数据隐私、算法不可解释性和语言理解能力限制等。因此，在使用 ChatGPT 时，我们需要认真考虑这些挑战，并采取相应的措施来保护学生的隐私和确保教学的质量。相信在不断的优化和完善中，ChatGPT 将会在在线教培行业中发挥越来越重要的作用，帮助学生更好地学习和成长，同时也推动整个教培行业的发展。

本文由 @运营老白 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。