谷歌让NLP模型也能debug，只要给一张草稿纸就行

　　现在的大型语言模型，能力个个都挺强。但，它们的计算能力都不太行：比如GPT3，没法做超过三位数的加法。再比如它们当中的大多数都可以写代码，但是理解代码却很费劲稍微遇到点带循环的程序就GG。
　　不过，来自MIT和谷歌的研究人员发现：不用修改模型的底层架构，只需训练它们学会像程序员debug时那样打断点，读代码的能力就唰唰唰地涨上去了。
　　将同样的思路用于大数加法、多项式计算，那就更不在话下了。所以，语言模型的数学能力终于也要跟上了？！教语言模型用打断点的方法做加法、读程序
　　前面说的打断点，其实指的是在计算步骤较多的程序中，让模型把每一步都编码为文本，并将它们记录到一个称为便签的暂存器中，或者叫草稿纸。
　　听起来是个笨方法，但正是这样才使得模型的计算过程变得清晰有条理，性能也就比以往直接计算的方式提升了很多。
　　具体操作也很简单。就比如在简单的加法计算中，计算2957的方式就是像这样的：
　　其中C表示进位，表注释。先计算97，进位1；再计算25进位1，最后得出86。
　　从上可以看出，这个训练示例由输入和目标组成。训练时将两者都喂给模型；测试时，模型就能根据输入预测出正确的目标。
　　而目标就是要发送到临时暂存器上的内容，通过关注其上下文就可以引用；实际操作中，还可以对草稿内容进行检查纠错。显著提高语言模型的计算能力
　　研究人员选用了仅含解码器结构的Transformer语言模型来实验，其参数规模介于200万到1370亿之间。原则上，任何序列模型都可以使用这个方法，包括编解码器模型或循环网络等。
　　首先，他们按这种打断点的方式训练语言模型进行18位数的整数加法。训练包含10万个示例，并进行了5000步的微调，batchsize为32。然后分别用1万个数据来测试训练分布内的加法；1千个数据来测试训练分布之外，也就是9位和10位数的加法。
　　将结果分别与直接运算的语言模型进行比较，发现：即使超出临界模型大小，用了打断点法的模型也能够进行加法运算，而直接运算的基线模型就没法做到这一点。
　　而在分布外的任务中，直接运算的基线模型完全挂掉没练过就不会做，而用了断点法的模型随着规模的增大hold住了910位数的加法。
　　好，大数加法搞定。接下来上多项式。他们生成了一个包含1万个多项式的训练数据集和2000个数据的测试集。其中项数一般不超过3项，系数范围在10到10之间，结果在1000到10000之间。多项式的训练示例如下：
　　结果发现：无论是微调还是少样本训练之后，断点法的性能都优于直接预测。
　　最后就是读Python代码了。
　　代码的训练示例中，记录了正在执行的是哪行代码，以及此时各变量的值，用json格式表示。
　　此前的语言模型读代码的能力都表现不佳。打断点的方式可以让它们一改常态么？
　　首先，经过200个程序（都是人工编写的，包括简单的while循环和if语句）的测试发现，断点法整体执行精度更高。与直接执行的模型相比，微调还可以将模型性能从26。5提高到41。5。
　　一个真实例子：
　　断点法经过3次while循环，最终给出了正确的变量值。
　　接着，他们又用包含了1000个程序的MBPP数据集进行训练和测试。这些程序涉及多种数据类型的计算，包括整数、字符串、浮点数等，以及涉及循环、API调用和递归等流程结构。并添加训练数据之外的singleline程序集和CodeNet程序集进行测试。
　　结果发现，模型也可以很好地扩展。
　　当然，这个方法也有局限性：比如复杂的计算可能需要很长的暂存器，这可能需要进一步改进Transformer生成窗口的大小。好在这也是NLP领域的一个活跃研究领域。而在未来，他们可能会尝试在无监督情况下用强化学习让语言模型学会打断点。
　　总之，语言模型的计算能力、读代码的能力会越来越强。
　　论文地址：
　　https：arxiv。orgabs2112。00114