编辑：alan
【新智元导读】在以英语为主的语料库上训练的多言语 LLM，是否使用英语作为内部言语？对此，来自 EPFL 的研究职员针对 Llama 2 家族进行了一系列试验。
大言语模型的「母语」是什么？
我们的第一反应很可能是：英语。
但事实果真如此吗？尤其是对于能够听说读写多种言语的 LLM 来说。
对此，来自 EPFL（洛桑联邦理工学院）的研究职员发表了下面这篇工作来一探究竟：
论文地址：https://arxiv.org/ pdf / 2402.10588项目地址：https://github.com/ epfl-dlab / llm-latent-language
作者以 Llama2 为对象，向我们展示了具有多言语能力的 Transformer，是如何思考问题的。
像「羊驼」这种在英语区下长大的娃，他的「多言语」到底是本质属性，还是仅仅套了个翻译的壳？
这对于人们理解 LLM 的运行机制至关重要。
要探究大模型的内心世界，虽然听起来有点复杂，但实际上一点也不简单。
研究职员在这里化繁为简，使用特定的提醒来保证输入的唯一性，同时把 Llama-2-7B 的 32 层输入全部提取出来 —— 一层一层一层地剥开她的心。
于是，我们能在上图清楚地看到，羊驼在得到华文翻译（「花」）时的整个推理过程。
Transformer 将输入 token 进行逐层映照，最终预测出下一个 token，中间那些我们大概能理解或者不能理解的字符串，就是 LLM 使用的「内部言语」。
显然，在中间层的「思考」环节，羊驼用的是偏向于英语的某种神秘文字。这里需要强调一下，这是羊驼的自发行为，因为提醒中压根就没有一点英语！
比如上图是其中的一个试验，构建了法语翻译华文的提醒，且限制了准确答案只需 1 个 token（花）。
而下图的统计显示：在 Llama2 的大部分前向传递中，准确华文 token（蓝色）的几率远低于英文翻译（橙色）的几率。华文只在最后两层中占据主导地位。
为了方便大家观察，作者还将嵌入在高维空间中的路径的可视化（实际是 8192 个维度，这里使用 2D 展示）。
从输入到输入，轨迹以红色开始，以紫色结束。我们可以看到，这些路径基本都是先绕道英语，然后才返回准确的华文。
不过，这是否确实表明 Llama2 先用英文进行推理，然后将再其翻译成华文？
作者表示，比这更微妙一点。那些看起来像英语的中间嵌入实际上对应于抽象观点，而不是具体的英文 token。
所以，一方面，Llama2 内部的「通用语」不是英语，而是观点；但另一方面，这些神秘字符又显然是偏向于英语的观点。
因此，在语义上，而非纯粹的词汇意义上，英语确实可以被视为羊驼的「母语」。
网友：我早就发现了
有网友表示：恕我直言，不仅仅是羊驼系列，基本上所有 LLM 都是这样。
「对于以英语为母语的人来说，这可能会令人惊讶，但对于其他人来说，这种倾向性是可见的，只不过有时多，有时少。」
「有时我会想 LLM 为什么要这样回答，然后我意识到这个答案在英语中更有意义。」
「这在诗歌中更是显而易见的。LLM 写诗很漂亮，但通常没有押韵 —— 如果你把它翻译成英语，就押韵了。」
另一位网友表示，这是大模型带来的偏见，要小心了。
「英语和华文最终将成为 LLM 提醒和输入的最佳言语，而随着 LLM 的应用范围越来越广泛，世界其他言语将更加边缘化。」
模型表达空间的探索
当嵌入逐层转换时，它们会经历 3 个阶段：
1. 输入空间：模型消除分词器带来的影响。
2. 观点空间：嵌入进入一个抽象的观点空间中。
3. 输入空间：观点被映照回原本的表达形式。
模型
试验专注于 Llama-2 系列言语模型。Llama-2 系列模型在多言语语料库上进行训练，语料库主要由英语主导（占 89.70%）。
不过考虑到总体训练数据的大小（2 万亿个 token），即使是一小部分非英语训练数据，绝对值仍然很大（德语占 0.17%=3.4B，华文占 0.13%=2.6B）。
Llama-2 有 7B / 13B / 70B 三种尺寸，分别为 32/40/80 层，嵌入维度 d=4096/5120/8192，词汇表 V 包含 32,000 个 token。试验中使用 8 位量化探究这三种不同大小的模型。
试验
试验的目标是探索 Llama-2 的内部状态，是否与特定的自然言语相对应，这需要从 token 分布映照到言语。
为了规避许多 token 在言语方面上模棱两可的问题，研究职员构造了特殊的提醒，限制 token 输入的唯一性，并且可以明确地归因于某一种言语。
翻译义务
将前面的非英语（例如法语）单词翻译成华文，示例如下，向模型展示四个单词，并带有准确的翻译，后跟第五个没有翻译的单词，让模型预测下一个 token：
反复义务
要求模型简单地反复最后一个单词，提醒如下：
完形填空义务
作为一项稍微困难的义务，模型需要预测句子中缺失的单词。给定一个目标单词，通过 GPT-4 构建一个以该单词开头的英语句子，屏蔽目标单词，并将该句子翻译成其他言语。英语示例如下：
单词选择
为了实现明确的言语归属，研究职员为每种言语构建了一组封闭的单词。扫描 Llama-2 的词汇表，寻找具有单 token 英文翻译的单 token 华文单词（主要是名词）。
这样一来，Llama-2 预测下一个华文单词的准确几率就可以直接从下一个 token 几率中读出。
保险起见，作者还在德语、法语和俄语上进行了相同的试验，总共测试了 139 个华文、104 个德语、56 个法语和 115 个俄语单词。三个义务的测试结果如下：
上图表示 Llama-2 前向传递期间，每一层输入是英语还是华文的几率，三个义务分别为：（a）从德语 / 法语 / 俄语到华文的翻译义务，（b）华文反复义务，（c）华文完形填空义务。
误差线显示输入文本的 95% 高斯置信区间（翻译义务为 353，反复义务和完形填空为 139）。
8192D 太空漫游
自回归 Transformer 是以增量方式求解的，每一层通过添加残差来修改前一层产生的潜在向量，这一过程在几何上可以描述为通过 d 维欧几里得空间的路径。
为了建立直觉，首先考虑一个假设的极端情况，即 token 位于整个 d 维空间的适当子空间中。
如果 latent embedding（h）具有与 token 子空间正交的分量，则表示预测中包含与 h 无关的信息。
研究职员采用 h 和 token 嵌入之间的均方余弦，来表示 h 的能量有多少转化为 logit 分数。为了可解释性，这里通过 token 嵌入本身的均方余弦进行归一化，得到 h 的平方 token 能量：
在上面的球形示意图中，所有嵌入都位于原点周围的球体上。token 嵌入位于赤道上，主要沿 x 轴分布，x 轴捕获言语（左英文，右华文），y 轴捕捉观点，z 轴提供了额外的自由度，可用于存储有关上下文、言语等的信息。Transformer 正向传递沿球体表面移动。
在第 1 阶段，latent embedding 从北极开始，与输入 token 和观点嵌入正交。
阶段 2 旋转到观点空间中，英语 token 占据主导。
最后，第 3 阶段沿赤道旋转到目标言语的半球，产生输入 token。
参考资料：
https://arxiv.org/abs/2402.10588
本文来自微信公众号：新智元 （ID：AI_era）