GPT-1,2,3에서 4로, GPT 시리즈의 발전 과정

Stable Diffusion Onlin으로 생성한 이미지입니다.

GPT-1:

• 발표 년도: 2018년
• 파라미터 수: 1.17억 개
• 학습 데이터: 영어 위키피디아와 뉴스 기사
• 특징: 대규모 언어 모델의 초석이 됨. 이전에 발표된 언어 모델들에 비해 더 많은 파라미터를 사용하고, 더 많은 학습 데이터를 사용함. 자연스러운 문장 생성과 같은 자연어 처리(NLP) 태스크에서 좋은 성능을 보임.

GPT-2:

• 발표 년도: 2019년
• 파라미터 수: 15억 개
• 학습 데이터: 인터넷에 있는 거의 모든 웹페이지
• 특징: GPT-1에서의 발전된 형태. GPT-1에 비해 더 많은 파라미터와 학습 데이터를 사용하여 성능을 개선했음. 일반적인 자연어 처리 태스크에서 높은 성능을 보임. 또한 자연어 이해 능력을 보이며, 질문에 답하는 QA(Question Answering) 모델의 기초가 됨.

GPT-3:

• 발표 년도: 2020년
• 파라미터 수: 1750억 개
• 학습 데이터: 인터넷에 있는 거의 모든 웹페이지
• 특징: GPT-2에서의 발전된 형태. GPT-2에 비해 더 많은 파라미터와 학습 데이터를 사용하여 성능을 개선했음. 이전 모델에서 발생했던 문제들을 해결하고, 다양한 NLP 태스크에서 좋은 성능을 보임. 새로운 태스크에 대해서도 fine-tuning 없이 바로 사용이 가능함. 또한, 자연어 처리 기술에서 많은 인기를 얻었고, 언어 모델링 분야에서 혁신적인 발전을 이끌었음.

개선 사항: GPT-3는 여전히 향후에 개선할 점들이 존재한다. 예를 들면, 여전히 대용량의 학습 데이터를 필요로 하며, 데이터를 잘 선별해야 한다. 또한, 일부 태스크에서 오분류하는 문제가 발생할 수 있다. 뿐만 아니라 모델이 내부적으로 어떻게 동작하는지에 대한 설명이 부족하며, 언어 이해의 근본적인 원리를 이해하기 어렵다.

 

 

GPT-4:

• 발표 년도: 2023년 3월 14일
• 파라미터 수: 1~10조 개  추정
• 학습 데이터: 멀티 모달( 여러 가지 종류의 데이터를 함께 사용하여 인공지능 모델의 성능을 높이는 기술이다. 기존의 자연어 처리(Natural Language Processing, NLP) 모델은 텍스트 데이터를 기반으로 하지만, 멀티 모달은 이미지, 음성, 비디오 등 다양한 유형의 데이터를 함께 사용한다. 이를 통해 모델이 보다 현실적인 문제를 해결할 수 있게 되며, 사용자 경험을 높일 수 있다.)

• 특징:  GPT-4의 내부구조는 self-attention 기반 트랜스포머(transformer) 아키텍처를 기반으로 하며, 사전 학습 후 fine-tuning 방식을 채택하여 다양한 자연어 처리 테스크에 적용된다. 

GPT-4 기술 리포트