预训练语言模型速览
在大模型时代，“预训练”这个词几乎无处不在。
但很多新人第一次听到时，会把它理解成一句很空的话：
- 先在大数据上学一遍
这当然没错，但还不够。
真正该建立的判断是：
为什么大家不再从零开始做每个 NLP 任务，而是先训练一个通用底座，再在上面做迁移。
这节课就是这层直觉的速成入口。
学习目标
- 理解什么叫预训练、什么叫迁移和下游适配
- 理解预训练模型为什么能“一模多用”
- 区分 encoder-only、decoder-only、encoder-decoder 的大方向
- 通过一个可运行示例理解“共享底座 + 不同任务头”的思路
一、为什么预训练模型会成为现代 NLP 的主流？
1.1 因为很多任务本质上共享语言能力
无论是做：
- 情感分类
- 问答
- 摘要
- 对话
- 检索
它们都离不开一些通用基础：
- 词义理解
- 句法关系
- 上下文建模
- 常识和语言模式
如果每个任务都从零学这些能力，
成本会非常高。
1.2 预训练的核心思想
于是大家开始先做一件事：
- 用海量通用语料训练一个基础模型
让它先学会：
- 一般语言规律
- 通用表示
- 基础知识分布
然后再把它迁移到具体任务上。
这就像：
- 先读完大部分通识教材
- 再去做具体科目的专项训练
1.3 为什么这比“每个任务从头训练”好很多？
因为你不必每次都重新学习语言本身。
下游任务只需要在已有底座上做：
- 任务头训练
- 微调
- Prompt 适配
- 检索增强
这大幅降低了门槛。
二、预训练模型到底给了我们什 么？
2.1 给了一个“已经懂一点语言”的底座
从零随机初始化的模型，最开始什么都不会。
而预训练模型至少已经学会了一些：
- 语法模式
- 搭配关系
- 高频事实
- 常见任务格式
这意味着下游任务不再是从完全空白开始。
2.2 给了可复用的表示
很多预训练模型最宝贵的地方，不只是“会回答”，
还在于它能输出一组比较好的隐藏表示。
这些表示可以被下游任务拿去做：
- 分类
- 检索
- 匹配
- 排序
2.3 给了迁移学习的可能
迁移学习的核心就是：
在大任务上学通用能力，在小任务上少量适配。
这也是为什么预训练模型一出来，
整个 NLP 流程都被改写了。
三、先跑一个“共享底座 + 两个任务头”的示例
下面这段代码不会训练真正的大模型，
但它会抓住预训练模型最核心的结构直觉：
- 有一个共享编码器
- 编码器学到通用表示
- 不同任务只在上面挂不同 head
from math import sqrt
word_vectors = {
"refund": [0.9, 0.8, 0.1],
"order": [0.8, 0.7, 0.2],
"password": [0.1, 0.2, 0.9],
"reset": [0.1, 0.1, 0.95],
"great": [0.7, 0.2, 0.1],
"bad": [0.2, 0.8, 0.1],
}
def encode(text):
tokens = text.lower().split()
valid = [word_vectors[token] for token in tokens if token in word_vectors]
dim = len(valid[0])
return [sum(vec[i] for vec in valid) / len(valid) for i in range(dim)]
def dot(a, b):
return sum(x * y for x, y in zip(a, b))
def softmax(scores):
exps = [2.71828 ** s for s in scores]
total = sum(exps)
return [x / total for x in exps]
# 同一个底座，挂两个不同任务头
intent_head = {
"refund_intent": [1.0, 0.9, 0.1],
"password_intent": [0.1, 0.2, 1.0],
}
sentiment_head = {
"positive": [1.0, 0.2, 0.0],
"negative": [0.1, 1.0, 0.0],
}
def classify(vector, head):
labels = list(head.keys())
scores = [dot(vector, head[label]) for label in labels]
probs = softmax(scores)
best = max(zip(labels, probs), key=lambda x: x[1])
return best, dict(zip(labels, [round(p, 3) for p in probs]))
text_a = "refund order"
text_b = "reset password"
text_c = "great refund"
text_d = "bad refund"
for text in [text_a, text_b]:
vec = encode(text)
best, probs = classify(vec, intent_head)
print("intent:", text, "->", best, probs)
for text in [text_c, text_d]:
vec = encode(text)
best, probs = classify(vec, sentiment_head)
print("sentiment:", text, "->", best, probs)
3.1 这段代码到底对应什么真实思路？
它对应的是预训练时代最重要的工作流之一：
- 先有一个共享语言底座
- 不同任务复用这个底座
- 只在上面换一个 head 或做少量适配
这就是为什么一个预训练模型能被拿来做很多任务。
3.2 为什么这比“每个任务都重新学一遍词向量”强？
因为底座已经学到很多通用信息。
下游任务不需要从零开始理解：
refund大概和售后有关reset password大概和登录问题有关
它只需要在底座之上再做定向映射。
3.3 真实世界里“head”会是什么？
在真实模型里，它可能是：
- 一个分类层
- 一个生成头
- 一个检索投影层
- 一个 token-level 预测头
思路都是一样的：
- 底座共享
- 任务头分化
四、预训练模型大致有哪些路线？
4.1 Encoder-only：更偏理解和表示
代表：
- BERT
这类模型通常更适合：
- 分类
- 抽取
- 匹配
- 检索编码
4.2 Decoder-only：更偏生成
代表：
- GPT
- LLaMA
- Qwen
这类模型通常更适合：
- 对话
- 写作
- 代码生成
- 开放式补全
4.3 Encoder-Decoder：更适合“输入到输出”任务
代表：
- T5
- BART
这类模型天然适合：
- 摘要
- 翻译
- 改写
- 问答生成
五、预训练模型之后，还能怎么适配任务？
5.1 线性探针 / 任务头微调
最轻的一种方式是：
- 冻结底座
- 只训练顶层 head
这在小任务里很常见。
5.2 全量微调
让整个模型一起更新。
优点是灵活，缺点是成本高。
5.3 参数高效微调
例如：
- LoRA
- Adapter
这是大模型时代非常重要的路线，
因为它让“在大底座上适配任务”的门槛下降了很多。
5.4 Prompt 和 RAG
并不是所有任务都要真的改模型参数。
很多问题也可以通过：
- Prompt
- RAG
- 工具调用
来解决。
所以预训练模型的价值，不只是“给你一个可微调模型”，
还是“给你一个可复用底座”。
六、最容易踩的误区
6.1 误区一：预训练模型什么都会
它有强底座，但不代表：
- 知识永远最新
- 行为一定稳定
- 一上来就完美适配你的业务
6.2 误区二：用了预训练模型，就不用关心数据了
不对。
无论是微调还是评估，数据质量仍然决定最后效果。
6.3 误区三：只要模型大，就一定比小模型更适合当前任务
有时任务很简单，
或者成本非常敏感，
大模型未必是最优解。
小结
这节最重要的不是记住多少模型名，
而是建立一个现代 NLP 的核心判断：
预训 练模型的价值，在于先用大语料学到通用语言底座，再把这个底座迁移到很多不同任务上。
一旦这条主线建立起来，
你后面再学：
- 微调
- Prompt
- RAG
- Agent
都会更知道自己是在“利用已有底座”，而不是每次从零开始。
练习
- 用自己的话解释：为什么预训练模型能被多个不同任务复用？
- 参考示例，再给共享底座加一个新的任务头，例如“主题分类”。
- 为什么说预训练模型给的是底座，不是自动解决所有任务的万能按钮？
- 想一想：如果你的任务数据很少，预训练模型相比从零训练最大的优势是什么？