意图。微调过程分为预训练、监督微调、设计奖励模型和反馈优化。桑基韬等人根据ChatGPT的对
话对象和定位将其应用分为四个层次：数据生成器、知识挖掘器、模型调度器和人机交互界面。在
多模态领域，VisualChatGPT、MM-ReAct和HugggGPT让视觉模型与ChatGPT协同工作来完成视
觉和语音任务。
除此以外，许多类ChatGPT的大模型也同样在自然语言处理方面展示出来了较好的效果。
LLaMA是应该从7billion到65billion参数的语言模型，不需要求助于专有的数据集。清华大学
提出了一种基于自回归填充的通用语言模型GLM在整体基于transforr的基础上作出改动，在一
些任务的表现上优于GPT3-175B。
大语言模型，例如GPT系列、LLaa系列、Gei系列等，在自然语言处理方面取得了显着的
成功，展示了超强的性能，但仍面临诸如幻觉、过时的知识、不可追溯的推理过程等挑战。2020
年，由Lewis等人引入的检索增强生成方法，通过整合来自外部数据库的知识，然后再继续回答问
题或生成文本。这个过程不仅为后续阶段提供信息，而且确保响应是基于检测到的证据的，从而显
着提高输出的准确性和相关性。在推理阶段从外部知识库动态检索信息使RAG能够解决诸如生成幻
觉等问题。RAG与LLM的集成得到了迅速的应用，提高了自然语言处理任务的性能，并且使得模型
能够更好地利用外部知识和背景信息。
自2020年起，全球大语言模型在自然语言处理、计算机视觉、语音识别、推荐系统等领域表
现出卓越技术优势，市场规模持续增长，预计到2028年将达到1095亿美元。国外大模型产品研发
在2021年进入高速发展期，谷歌、OpenAI、英伟达、微软等公司都推出了自主研发的大模型，截
至2023年7月底，国外已发布了138个大模型。我国大模型发展迅速，与国际前沿保持同步，百
度、腾讯、清华大学、北京航空航天大学等单位都推出了自己的大模型，截至2023年七月底，我
国已发布130个大模型。
2.2知识抽取
知识抽取主要分为命名实体识别和关系抽取两方面。命名实体识别（NER）任务，旨在识别与
特定语义实体类型相关联的文本跨度。该任务最早于1991年由Rau等人提出。随着信息理解、人
工智能等领域的顶级会议对NER任务的评测，其定义逐渐细化和完善，并逐渐成为自然语言处理
（NLP）领域的重要组成部分。然而，不同领域对实体类型的定义存在差异，因此NER模型的构建
取决于特定领域任务需求，通常涵盖人物信息、地点信息和组织机构信息等。对于英语、法语、西
班牙语等外语文本，通常采用单词作为基本单位，因此基于这些语言的NER模型主要关注单词本身
的语义特征和上下文信息。然而，中文语料文本通常由字符构成，需要考虑字符的语义信息和词汇。
特征，同时引入其他表征信息来提升模型性能，如中文分词（CWS）、语义部分标签（POS）等外部
信息，因此构建中文命名实体识别（ER）模型更为复杂。目前，NER任务的研究方法主要包括基
于词典和规则的方法、基于机器学习（ML）的方法以及基于深度学习（DL）的方法。
今天为什么讲座要那么长时间。最近转码严重，让我们更有动力，更新更快，麻烦你动动小手退出阅读模式。谢谢