💡
原文中文，约3600字，阅读约需9分钟。
📝
内容提要
随着大模型在长文本处理中的应用增多，传统的困惑度评估方法显现出局限性。研究表明，某些模型在困惑度上表现良好，但实际效果不佳。北京大学团队提出了新的评估指标长文本困惑度（LongPPL），更准确地反映模型在长文本处理中的能力，并提出长文本交叉熵（LongCE）以优化训练效果。
🎯
关键要点
- 大模型在长文本处理中的应用增加，传统困惑度评估方法显现局限性。
- 困惑度（PPL）被视为模型语言理解与生成质量的标准指标，但在长文本任务中表现不佳。
- 某些在困惑度上表现优异的模型在实际长文本应用中未能达到预期效果。
- 北京大学团队提出新的评估指标长文本困惑度（LongPPL），更准确反映模型长文本处理能力。
- 长文本中不同token对长距离上下文信息的依赖程度存在显著差异，关键token对评估模型能力至关重要。
- 困惑度失效的原因在于其对所有token进行平均计算，未能关注关键token。
- 提出长-短上下文对比的方法来自动识别关键token。
- 长文本困惑度（LongPPL）通过限制计算在关键token上，聚焦于关键token的预测质量。
- 长文本交叉熵（LongCE）作为改进的训练损失，赋予关键token更高权重，提升模型长文本处理能力。
- 实验结果表明，使用LongCE微调的大模型在长文本处理能力上显著优于传统交叉熵损失函数。
- LongCE可以与现有长文本泛化方法结合，展现广阔应用前景和性能提升潜力。
❓
延伸问答
为什么传统的困惑度评估方法在长文本处理上存在局限性？
传统困惑度方法对所有token进行平均计算，未能关注关键token，导致在长文本任务中表现不佳。
北京大学团队提出了什么新的评估指标来改善长文本处理能力的评估？
他们提出了长文本困惑度（LongPPL），更准确地反映模型在长文本处理中的能力。
长文本交叉熵（LongCE）是如何优化模型训练的？
LongCE赋予关键token更高权重，提升模型在长文本任务中的预测准确性。
长文本中不同token对上下文的依赖程度有什么显著差异？
长文本中，某些token对长距离上下文信息依赖较强，而其他token则依赖短上下文，关键token对评估至关重要。
如何通过长-短上下文对比方法识别关键token？
该方法通过计算token在长上下文和短上下文下生成的概率差距，来量化长上下文对模型预测的提升。
实验结果如何证明LongPPL和模型长文本能力的相关性？
实验显示，LongPPL与长文本任务的实际表现具有极高的相关性，皮尔逊相关系数达到了-0.96。
➡️
