官宣！达摩院开源秘藏深度语言模型体系 AliceMind，NLP 正在走向大工业时代

6 月 22 日，InfoQ 获悉，阿里巴巴达摩院已正式开源深度语言模型体系 AliceMind。

开源地址：

https://github.com/alibaba/AliceMind

达摩院开源顶级语言 AI —AliceMind

AliceMind 是什么？

一句话介绍，AliceMind 是业界领先的预训练语言模型体系。

字面含义：AliceMind, Alibaba's Collection of Encoder-decoders from MinD (Machine Intelligence of Damo)

具体来说，预训练语言模型是当前自然语言处理（NLP）领域的研究热点之一，“预训练+精调”已成为 NLP 任务的新范式。

阿里巴巴达摩院作为最早投入预训练语言模型研究的团队之一，历经三年研发出深度语言模型体系 AliceMind, 包括通用语言模型 StructBERT、多语言 VECO、生成式 PALM、多模态 StructVBERT、结构化 StructuralLM、知识驱动 LatticeBERT、机器阅读理解 UED、超大模型 PLUG 等模型。

AliceMind 先后登顶了 GLUE、CLUE、XTREME、VQA Challenge、DocVQA、MS MARCO 在内的自然语言处理领域的的六大权威榜单，领先业界，相关工作论文被 AI/NLP 顶会接收。

今年 6 月 19 日，AliceMind 在 6 月 19 日再次登顶多模态权威榜单 VQA Challenge 2021，这个比赛类似看图问答，给定一张图像和关于图像的自然语言问题，AI 需要提供准确的自然语言答案。AliceMind 战胜了微软、Facebook 等几十家国际顶尖团队，将纪录从去年第一名的 76.36%显著提升到 79.78%，接近人类水平（80.78%）。

AliceMind 有何领先之处？

1、覆盖全面：覆盖多语言、多模态、结构化等多个预训练语言模型

2、技术领先：多个模型在世界榜单中排名靠前

3、开放普惠：将围绕 Pre-training+Fine-tuning（“预训练+精调”）语言模型持续进行生态性的技术开源

AliceMind 有何创新之处？

1、通用语言模型（StructBERT）

Google 于 2018 年底推出的 BERT 模型是业界广泛使用的自然语言预训练模型，达摩院团队在 BERT 的基础上提出优化模型 StructBERT，让机器更好地掌握人类语法，理解自然语言，2020 年多次在自然语言处理领域顶级赛事 GLUE Benchmark 上夺冠。

StructBERT 通过在句子级别和词级别引入两个新的目标函数，好比给机器内置一个“语法识别器”，使机器在面对语序错乱或不符合语法习惯的词句时，仍能准确理解并给出正确的表达和回应，大大提高机器对词语、句子以及语言整体的理解力。

2、多语言语言模型（VECO）

跨语言预训练初衷是为多种语言建立起一个统一联合的语义表示，AliceMind 体系内的跨语言预训练模型 VECO 一经提出，便在国际权威多语言榜单 XTREME 排名第一，远超 Facebook、Microsoft 等业界代表性模型。

VECO 目前支持 100 种语言的理解和生成任务。

VECO 效果亮眼，主要是因为两项创新：一是其可以更加“显式”得进行跨语言信息的建模（图 1）；二是 VECO 在预训练的过程充分学习用于语言理解（NLU）和生成（NLG）任务，并让二者互相学习提高彼此（图 2）。

图 1

图 2

因此，VECO 模型成为了多语言领域内的第一个同时在多语言理解（NLU）和语言生成（NLG）任务上均取得业内最佳效果的模型，也被顶会 ACL2021 录用。

3、生成式语言模型（PALM）

PALM 采用了与之前的生成模型不同的预训练方式，将预测后续文本作为其预训练目标，而非重构输入文本。PALM 在一个模型中使用自编码方式来编码输入文本，同时使用自回归方式来生成后续文本。

这种预测后续文本的预训练促使该模型提高对输入文本的理解能力，从而在下游的各个语言生成（NLG）任务上取得更好的效果。

PALM 在 MARCO NLG 自然语言生成公开评测上取得了排行榜第一，同时在摘要生成标准数据集 CNN/DailyMail 和 Gigaword 上也超过了现有的各个预训练生成语言模型。

PALM 可被用于问答生成、文本复述、回复生成、文本摘要、Data-to-Text 等生成应用上。

4、多模态语言模型（StructVBERT）

StructVBERT 是在通用的 StructBERT 模型基础上，同时引入文本和图像模态，在统一的多模态语义空间进行联合建模，在单流架构的基础上同时引入图像-文本描述数据和图像问答数据进行多任务预训练，并在多尺度的图像特征上进行分阶段预训练。

此外，模型利用 attention mask 矩阵控制实现双流架构，从而提升跨模态双流建模能力，结合单流、双流结构的优点进一步提升模型对文本和图像两个模态的理解能力。相关文章已被顶会 ACL2021 录用。

5、结构化语言模型（StructuralLM）

StructuralLM 在语言模型 StructBERT 的基础上扩展到结构化语言模型，充分利用图片文档数据的 2D 位置信息，并引入 box 位置预测的预训练任务，帮助模型感知图片不同位置之间词语的关系，这对于理解真实场景中的图片文档十分重要。

Structural LM 模型在 DocVQA 榜单上排名第一，同时在表单理解 FUNSD 数据集和文档图片分类 RVL-CDIP 数据集上也超过现有的所有预训练模型。

6、机器阅读理解模型（UED）

自最开始声名大噪的 SQuAD 榜单起，阿里围绕着机器阅读理解发展路线：单段落抽取->多文档抽取/检索->多文档生成->开放式阅读理解，拿下了一系列的榜单冠军：

2018 年在单段落机器阅读理解领域顶级赛事 SQuAD 上首次超出人类回答精准率；

2018 年在多文档机器阅读理解权威比赛 TriviaQA 和 DuReader 上双双刷新纪录，取得第一名；

2019 年在信息检索国际顶级评测 TREC 2019 Deep Learning Track 上的段落检索和文档检索任务上均取得第一名；

2019 年在机器阅读理解顶级赛事 MS MARCO 的段落排序、多文档答案抽取以及多文档答案生成 3 个任务均取得第一名，并在多文档答案抽取任务上首次超越人类水平；

7、超大规模中文理解和生成统一模型（PLUG）

PLUG 是目前中文社区已开放 API 的最大规模的纯文本预训练语言模型，集语言理解与生成能力于一身。

PLUG 可为目标任务做针对性优化，通过利用下游训练数据 finetune 模型使其在该特定任务上生成质量达到最优，弥补之前其它大规模生成模型 few-shot inference 的生成效果不足，适于应用在实际生成任务。

同时，PLUG 采用 encoder-decoder 的双向建模方式，因此，在传统的 zero-shot 生成的表现上，无论是生成的多样性，领域的广泛程度，还是生成长文本的表现，较此前的模型均有明显的优势。

8.知识驱动的语言模型 LatticeBERT

LatticeBERT 在预训练模型中训练中有效地融合了词典等知识，从而能够同时建模字和词的结构，来线性化地表示这种混合粒度的输入。

第一步是将涵盖多粒度字词信息的中文文本用词格（Lattice）表示起来，再把这个词格线性化作为 BERT 的输入。LatticeBERT 在 2020 年 9 月达到中文予以理解评估基准 CLUE 榜单的 base 模型中的第一名。

AliceMind 的应用情况

AliceMind 具有阅读、写作、翻译、问答、搜索、摘要生成、对话等多种能力，目前已成为阿里的语言技术底座，日均调用量超过 50 亿次，活跃场景超过 200 个，已在跨境电商、客服、广告等数十个核心业务应用落地。

AliceMind 已上线到内部平台，开箱即用，目前支持继续训练，精调，蒸馏，测试，部署五大功能，只需简单操作即可完成语言模型从训练到部署的完整链路。

在阿里之外，AliceMind 广泛运用于医疗、能源、金融等多个行业。其中，浙江电网公司以 AliceMind 为底座为员工构建智能化运维平台，应用于变压器检修、供电抢修等业务，已经开始在国家电网公司统一推广。

AliceMind 开源有什么意义？

传统 NLP 模型制作复杂，耗时耗力，且用途单一，难以复用，犹如手工作坊。但近几年兴起的预训练语言模型，正在改变局面，有望让语言 AI 走向入可规模化复制的工业时代。

如果用炼钢来类比，以前要获得一个可用的 NLP 应用模型，要从铁矿石开始炼钢，周期长，费用高，产量低；但现在有了开源的预训练语言模型，相当于有了现成的粗钢，只需要把粗钢炼成所需的特定钢材，效率大为提升。

阿里达摩院深度语言模型团队负责人黄松芳表示，“预训练语言模型已成为 NLP 领域的基石和原材料，AliceMind 开源将降低 NLP 领域研究和应用创新的门槛，助推行业从手工业时代走向大工业时代。”

开源地址：

https://github.com/alibaba/AliceMind/

体验入口：

https://nlp.aliyun.com/portal#/alice

论文链接

• 通用预训练模型 StructBERT:Incorporating Language Structures into Pre-training for Deep Language Understanding https://arxiv.org/abs/1908.04577 

• 多语言预训练模型 VECO:Variable and Flexible Cross-lingual Pre-training for Language Understanding and Generation https://arxiv.org/abs/2010.16046 

• 生成式预训练模型 PALM:Pre-training an Autoencoding&Autoregressive Language Model for Context-conditioned Generation  https://arxiv.org/abs/2004.07159

• 多模态预训练模型 E2E-VLP:End-to-End Vision-Language Pre-training Enhanced by Visual Learning https://arxiv.org/abs/2106.01804 

• 结构化预训练模型 StructuralLM:Structural Pre-training for Form Understanding https://arxiv.org/abs/2105.11210 

• 融合知识的预训练模型 Lattice-BERT:Leveraging Multi-Granularity Representations in Chinese Pre-trained Language Models https://arxiv.org/abs/2104.07204