作者：@於方仁@CarolineSun
编排：@黑羽小斗
LLM
大型语言模型是利用海量的文本数据进行训练海量的模型参数。大语言模型的使用，大体可以分为两个方向：
A.仅使用
B.微调后使用
仅使用又称Zero-shot，因为大语言模型具备大量通用的语料信息，量变可以产生质变。即使Zero-shot也许没得到用户想要的结果，但加上合适的prompt则可以进一步获取想要的知识。该基础目前被总结为promptlearning。
大语言模型，比较流行的就是BERT和GPT。从生态上讲BERT与GPT最大的区别就是前者模型开源，后者只开源了调用API，也就是目前的ChatGPT。
两个模型均是由若干层的Transformer组成，参数数量等信息如下表所示。
目前生态上讲，BERT多用于微调场景。因为微调必须在开源模型的基础上，GPT仅开源到GPT2的系列。且相同模型参数量下BERT在特定场景的效果往往高于GPT，微调需要调整全部的模型参数，所以从性价比而言，BERT比GPT更适合微调。
而GPT目前拥有ChatGPT这种面向广大人民群众的应用，使用简单。API的调用也尤其方便。所以若是仅使用LLM，则ChatGPT显然更有优势。
ChatGPTPrompt
下图是OpenAI官方提出对于ChatGPT的prompt用法大类。
Flashbots工程师：所有共识客户端均实施、测试并确认builder-specs集成:9月6日消息，Flashbots工程师Chris Hager在社交媒体发文表示，Flashbots实现了MEV-Boost的另一个里程碑事件，所有共识客户端都实施、测试并确认了builder-specs的集成，现在可将MEV-Boost与任何客户端一起使用。MEV-Boost是由Flashbots构建的提议者-构建者分离（proposer-builderseparation，PBS）的实现，用于以太坊权益证明。MEV-Boost旨在与标准Ethereum Builder API兼容，这意味着它与所有共识和执行客户端兼容。运行MEV-Boost的验证者通过向开放的builder出售区块空间来最大化其质押奖励。[2022/9/6 13:11:45]
Figure1.PromptCategoriesbyOpenAI?
每种类别有很多具体的范例。如下图所示：
Figure2.PromptCategoriesExamplesbyOpenAI
除此以外，我们在此提出一些略微高级的用法。
高级分类
这是一个意图识别的例子，本质上也是分类任务，我们指定了类别，让ChatGPT判断用户的意图在这
元宇宙3D空间创作工具Builtopia完成千万元人民币种子轮融资:7月6日消息，据顺为资本微信公众号，元宇宙空间技术服务商“构赛博（Builtopia）”近日完成千万元人民币种子轮融资，投资方为顺为资本。本轮融资过后，资金将主要用于技术升级、市场推广。
据悉，构赛博初创团队来自于微软、网易、爱奇艺等公司，其基于web开发了一款元宇宙3D空间创作工具。[2022/7/6 1:54:36]
Figure3.PromptExamples
实体识别与关系抽取
利用ChatGPT做实体识别与关系抽取轻而易举，例如给定一篇文本后，这么像它提问。
Figure4.ExampleTextGiventoChatGPT
这是部分结果截图：
Figure5.PartialOutputfromgivenTextonChatGPT
Incredibuild完成3500万美元B轮融资，Hiro Capital领投:6月27日消息，分布式软件和游戏开发加速平台Incredibuild 完成3500万美元B轮融资，Hiro Capital领投，Insight Partners参投，估值已接近8亿美元。
这笔最新融资将推动Incredibuild在人工智能、元宇宙等众多行业的创新和增长。Incredibuild 模式与点对点网络相似，其想法是在任何给定时间，组织网络中都有空闲CPU，然后有效地划分繁重的代码并将其分发到这些CPU实时运行处理。另据Incredibuild公司首席执行官Tami Mazel Shachar透露，去中心化金融“绝对是该公司在不久将来的一个选择和一个需要专注的领域。”（PR Newswire）[2022/6/28 1:34:47]
之后可以追问给他们的关系，例如：
Figure6.AskingrelationshiponChatGPT
这样，一个大型的知识图谱便可轻松建立。
分析任务
如下图所示，我对ChatGPT提出了分析我目前需求的问题。
Figure7.ResultforneedsrequestonChatGPT
Build Finance遭遇治理攻击，110万枚代币通过投票被恶意增发并抛售:2月15日消息，风投DAO组织Build Finance在推特表示，该项目遭遇恶意治理接管，恶意行为者通过获得足够多的投票成功了控制 Build 代币合约，进而铸造了 110万 BUILD代币并耗尽了项目的流动资金池，此外还将DAO金库中的 13 万 METRIC 代币全部抛售。该项目团队成员与攻击者进行了直接接触，但对方似乎没有兴趣进行对话。[2022/2/15 9:51:58]
甚至还能让它给定分数。
Figure8.Scoringtoevaluatetheidentifiedneeds
除此以外还有数不胜数的方式，在此不一一列举。
组合Agent
另外，我们在使用ChatGPT的API时，可以将不同的prompt模板产生多次调用产生组合使用的效果。我愿称这种使用方式叫做，组合Agent。例如Figure1展示的是一个大概的思路。
Figure9.?TheParadigmoftheCombinationAgent
具体说来，例如是一个辅助创作文章的产品。则可以这么设计，如Figure10所示。
Solana为印度开发者和企业家推出黑客马拉松活动Building out Loud:区块链平台Solana宣布推出针对印度开发者和企业家的黑客马拉松项目Building out Loud。Solana计划与黑客马拉松平台Devfolio以及YouTube影响者Superpumped合作，推出为期3周的活动。Solana邀请学生、Web2和Web3开发者、工程师和任何希望合作进入加密领域的人参与该活动，申请截止日期为8月12日。除了8万美元的现金奖励外，获胜的参与者还将从Solana基金会和知名全球投资者那里筹集资金。这一活动获得包前Coinbase首席技术官（CTO）Balaji Srinivasan、种子投资者Chris McCann、CRED创始人Kunal Shah等加密人士和企业家的支持。（Cointelegraph）[2021/7/27 1:18:30]
Figure10.Agentcombinationforassistingincreation
假设用户输入一个请求，说“帮我写一篇伦敦游记”,那么IntentRecognitionAgent首先做一个意图识别，意图识别也就是利用ChatGPT做一次分类任务。假设识别出用户的意图是文章生成，则接着调用ArticleGenerateAgent。
另一方面，用户当前的输入与历史的输入可以组成一个上下文，输入给ChatContextAnalyzeAgent。当前例子中，这个agent分析出的结果传入后面的AIReplyAgent和PhaseControlAgent的。
AIReplyAgent就是用来生成AI回复用户的语句，假设我们的产品前端并不只有一个文章，另一个敌方还有一个框用来显示AI引导用户创作文章的语句，则这个AIReplyAgent就是用来干这个事情。将上下文的分析与文章一同提交给ChatGPT，让其根据分析结果结合文章生成一个合适的回复。例如通过分析发现用户只是在通过聊天调整文章内容，而不知道AI还能控制文章的艺术意境，则可以回复用户你可以尝试着对我说“调整文章的艺术意境为非现实主义风格”。
PhaseControlAgent则是用来管理用户的阶段，对于ChatGPT而言也可以是一个分类任务，例如阶段分为等等。例如AI判断可以进行文章模板的制作了，前端可以产生几个模板选择的按钮。
使用不同的Agent来处理用户输入的不同任务，包括意图识别、ChatContext分析、AI回复生成和阶段控制，从而协同工作，为用户生成一篇伦敦游记的文章，提供不同方面的帮助和引导，例如调整文章的艺术意境、选择文章模板等。这样可以通过多个Agent的协作，使用户获得更加个性化和满意的文章生成体验。?
Prompt微调
LLM虽然很厉害，但离统治人类的AI还相差甚远。眼下有个最直观的痛点就是LLM的模型参数太多，基于LLM的模型微调变得成本巨大。例如GPT-3模型的参数量级达到了175Billion，只有行业大头才有这种财力可以微调LLM模型，对于小而精的公司而言该怎么办呢。无需担心，算法科学家们为我们创新了一个叫做prompttuning的概念。
Prompttuning简单理解就是针对prompt进行微调操作，区别于传统的fine-tuning，优势在于更快捷，prompttuning仅需微调prompt相关的参数从而去逼近fine-tuning的效果。
Figure11.Promptlearning
什么是prompt相关的参数，如图所示，prompttuning是将prompt从一些的自然语言文本设定成了由数字组成的序列向量。本身AI也会将文本从预训练模型中提取向量从而进行后续的计算，只是在模型迭代过程中，这些向量并不会跟着迭代，因为这些向量于文本绑定住了。但是后来发现这些向量即便跟着迭代也无妨，虽然对于人类而言这些向量迭代更新后在物理世界已经找不到对应的自然语言文本可以表述出意思。但对于AI来讲，文本反而无意义，prompt向量随着训练会将prompt变得越来越符合业务场景。
假设一句prompt由20个单词组成，按照GPT3的设定每个单词映射的向量维度是12288，20个单词便是245760，理论上需要训练的参数只有245760个，相比175billion的量级，245760这个数字可以忽略不计，当然也会增加一些额外的辅助参数，但同样其数量也可忽略不计。
问题来了，这么少的参数真的能逼近?finetuning的效果吗，当然还是有一定的局限性。如下图所示，蓝色部分代表初版的prompttuning,可以发现prompttuning仅有在模型参数量级达到一定程度是才有效果。虽然这可以解决大多数的场景，但在某些具体垂直领域的应用场景下则未必有用。因为垂直领域的微调往往不需要综合的LLM预训练模型，仅需垂直领域的LLM模型即可，但是相对的，模型参数不会那么大。所以随着发展，改版后的prompttuning效果可以完全取代fine-tuning。下图中的黄色部分展示的就是prompttuningv2也就是第二版本的prompttuning的效果。
Figure12.Promptlearningparameters
V2的改进是将原本仅在最初层输入的连续prompt向量，改为在模型传递时每一个神经网络层前均输入连续prompt向量，如下图所示。
Figure13.Promptlearningv2
还是以GPT3模型为例，GPT3总从有96层网络，假设prompt由20个单词组成，每个单词映射的向量维度是12288，则所需要训练的参数量=96*20*12288=23592960。是175billion的万分之1.35。这个数字虽不足以忽略不计，但相对而言也非常小。
未来可能会有prompttuningv3,v4等问世，甚至我们可以自己加一些创新改进prompttuning，例如加入长短期记忆网络的设定。(因为原版的prompttuningv2就像是一个大型的RNN,我们可以像改进RNN一般去改进prompttuningv2)。总之就目前而言，prompttuning使得微调LLM变得可行，未来一定会有很多垂直领域的优秀模型诞生。
总结
LargeLanguageModels(LLMs)和Web3技术的整合为去中心化金融领域带来了巨大的创新和发展机遇。通过利用LLMs的能力，应用程序可以对大量不同数据源进行全面分析，生成实时的投资机会警报，并根据用户输入和先前的交互提供定制建议。LLMs与区块链技术的结合还使得智能合约的创建成为可能，这些合约可以自主地执行交易并理解自然语言输入，从而促进无缝和高效的用户体验。
这种先进技术的融合有能力彻底改变DeFi领域，并开辟出一条为投资者、交易者和参与去中心化生态系统的个体提供新型解决方案的道路。随着Web3技术的日益普及，LLMs创造复杂且可靠解决方案的潜力也在扩大，这些解决方案提高了去中心化应用程序的功能和可用性。总之，LLMs与Web3技术的整合为DeFi领域提供了强大的工具集，提供了有深度的分析、个性化的建议和自动化的交易执行，为该领域的创新和改革提供了广泛的可能性。
参考文献
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。