大模型算法工程师经典面试题————为什么现在的主流大模型都是 decoder-only 架构？

本人是某双一流大学硕士生，也最近刚好准备参加 2024年秋招，在找大模型算法岗实习中，遇到了很多有意思的面试，所以将这些面试题记录下来，并分享给那些和我一样在为一份满意的offer努力着的小伙伴们！！！

文末有 【AIGC面试交流群】，欢迎大佬加入一起学习！！！

面试题

为什么现在的主流大模型都是 decoder-only 架构？

相比encoder-decoder架构，只使用decoder有什么好处吗？

标准答案

首先概述几种主要的架构:以BERT为代表的encoder-only、以T5和BART为代表的encoder-decoder、以GPT为代表的decoder-only，还有以UNILM为代表的PrefixLM(相比于GPT只改了attention mask,前缀部分是双向，后面要生成的部分是单向的causalmask)，可以用这张图辅助记忆:

要回答该问题，需要从自回归（autoregressive）生成方法、模型架构和训练效率和应用需求等多个角度进行回答：

1. 自回归（autoregressive）生成方法

• 原理：Decoder-only架构的模型，比如GPT系列，主要运用自回归生成策略。这意味着在生成每一个词汇时，模型都会参考之前生成的所有词汇。这种机制非常适合需要逐步构建序列的任务，如文本创作和对话系统。
• 优势：
• 连贯性与上下文一致性：自回归生成方式确保每个新生成的词汇都能考虑到前面的上下文，从而保证输出文本的连贯性和上下文一致性。
• 高效稳定的文本生成：通过逐个词汇生成的方式，Decoder-only模型避免了一次性预测整个序列的需求，这不仅使生成过程更为稳定，同时也提高了效率。

2. 模型架构和训练效率

• 原理：与Encoder-Decoder 架构相比，Decoder-only 模型具有更简洁的架构。Encoder-Decoder 架构主要用于那些需要对输入序列进行编码的任务，例如机器翻译；而 Decoder-only 模型则直接专注于解码（生成）输出序列。
• 优点：
• 简化架构设计：仅包含一个 Decoder 模块，这种精简的设计使得模型在实现和调试方面更加简便。
• 提高训练效率：由于模型中只涉及单一模块的训练，因此训练过程更为高效，有效减少了所需的计算资源和时间。

3. 应用需求驱动

• 原理：多种自然语言处理应用，如文本生成、对话系统和自动补全等功能，其核心需求在于生成连贯的文本序列，而非将一个序列转换为另一个序列（例如在翻译任务中）。
• 优点：
• 适合生成任务：Decoder-only模型特别适用于直接生成任务，能更好地符合实际应用场景的需求。
• 高度灵活：该架构可以灵活应对不同长度和复杂程度的文本生成任务，展现出更强的适应能力。

4. 预训练和微调策略

• 原理：Decoder-only模型一般采用自回归预训练的方法，通过预测后续词汇来学习大规模数据集中的语言结构和模式。这种方法不仅简单高效，还易于应用于更大规模的数据集上。
• 优势:
• 高效的预训练：自回归预训练策略在捕获语言模式及上下文信息方面表现出色，有助于提高模型在生成任务上的性能。
• 灵活的微调：在针对特定下游任务进行微调时，Decoder-only模型能够通过简便的任务适应策略迅速调整，以满足具体任务的需求。

5. 计算资源优化

• 原理：在大规模模型训练过程中，高效利用计算资源至关重要。Decoder-only模型通过精简计算组件的数量，实现了计算资源使用的优化。
• 优势:
• 节约计算资源：仅需要训练Decoder模块，因此对计算资源的需求较低。
• 易于扩展：这种模型架构更便于扩展至更大的参数规模，能充分利用现有的硬件资源来进行更大规模的训练。

其他观点

在知乎上有一个很经典的问题《为什么现在的LLM都是Decoder only的架构？》（https://www.zhihu.com/question/588325646），很多大佬针对该问题做了很好的回答，这里稍微总结：

1. @苏剑林 苏神强调的注意力满秩的问题，双向attention的注意力矩阵容易退化为低秩状态，而causal attention的注意力矩阵是下三角矩阵，必然是满秩的，建模能力更强;
2. @yiī 大佬强调的预训练任务难度问题，纯粹的decoder-only架构+next token predicition预训练每个位置所能接触的信息比其他架构少，要预测下一个token难度更高，当模型足够大，数据足够多的时候，decoder-only模型学习通用表征的上限更高
3. @mimimumu 大佬强调，上下文学习为decoder-only架构带来的更好的few-shot性能:prompt3.和demonstration的信息可以视为对模型参数的隐式微调[2]，decoder-only的架构相比encoder-decoder在in-context learning上会更有优势，因为prompt可以更加直接地作用于decoder每一层的参数，微调的信号更强;
4. 多位大佬强调了一个很容易被忽视的属性，causal attention(就是decoder-only的单向4attention)具有隐式的位置编码功能[3]，打破了transformer的位置不变性，而带有双向attention的模型，如果不带位置编码，双向attention的部分token可以对换也不改变表示，对语序的区分能力天生较弱。

下面分享一下，我在春招过程中所整理的面试题资料。