WeLM微信自研NLP大规模语言模型

2022年9月份微信AI推出自研NLP大规模语言模型WeLM ，该模型是一个尺寸合理的中文模型，能够在零样本以及少样本的情境下完成包多语言任务在内的多种NLP任务。openai的chatgpt是在2022年10月底发布的。在国内以中文为核心的大规模语言模型领域，微信AI推出的百亿级别大规模语言模型WeLM，是大模型百家争鸣中的新选手。

什么是WeLM

WeLM 是一个非常擅长理解和生成文本的通用语言模型，是微信AI团队推出的自研NLP大规模语言模型。微信AI团队提供了WeLM的体验网页和API接口，感兴趣可前往 https://welm.weixin.qq.com/docs/ 体验和申请API接口，相关技术论文已发布于论文预印本网站arXiv，点击查看《WeLM: A Well-Read Pre-trained Language Model for Chinese》。

WeLM有什么用途

WeLM 是一个非常擅长理解和生成文本的通用语言模型。你可以通过调用 WeLM 的 API 解决多种多样涉及文本的任务。例如给猫咪取名字、一个简单的问答。你也可以将 WeLM API 用于其他任务（包括且不限于对话、文本风格转换、阅读理解、翻译等）

据介绍，WeLM是一个百亿级别的中文模型，能够在零样本以及少样本的情境下完成包括对话-采访、阅读理解、翻译、改写、续写、多语言阅读理解在内的多种NLP任务，并具备记忆能力、自我纠正和检查能力。并且，WeLM具有尺寸合理的优势，在14项中文NLP任务上，WeLM的整体表现超出了所有同大小的模型，甚至能够匹配比它大25倍的模型。

WeLM任务示例

WeLM改写示例

以被普遍认为是更困难的NLP任务的文本风格转换（改写）为例，尽管用户给出的5个例子和最后需要生成的例子并没有重合的风格转换类型，但WeLM拥有出色的举一反三能力，通过学习少量的文本转换例子即可达到对任意类型的文本转换。并且，WeLM在对话-采访、阅读理解、翻译、续写等多个中文文本生成任务中有着同样优异的表现。

WeLM翻译示例

除了具备强大的中文理解和生成能力，WeLM还拥有处理跨多语言（中英日）任务的能力。以“微信 AI 推出の WeLM 是一个 language model that いろいろなtaskをperformができる”这句混合中日英三国语言的文本为例，WeLM的翻译相对更加精准。

而且，在进一步微调后，WeLM可以拥有更好的零样本学习能力，可以根据场景拥有更好的表现。目前，WeLM已经部署应用于微信视频号的部分场景中，未来在进一步优化后还将应用于更多微信应用场景。

同时，为进一步推动WeLM成为真正能落地且实用的工具，微信AI团队还发布了一个供用户体验的交互式网页PlayGround，并开放了用于访问WeLM的API接口。

WeLM体验地址

https://welm.weixin.qq.com/docs/playground/

WeLM API申请地址

https://docs.qq.com/form/page/DUW1YVVJNbHpzV2No#/fill

WeLM API文档

https://welm.weixin.qq.com/docs/api/

目前，用户可通过https://welm.weixin.qq.com/docs/体验WeLM的相关能力，并通过调整配置以实现更贴近的文本生成效果。对于想接入WeLM的开发者，也可通过https://welm.weixin.qq.com/docs/api/填写问卷后获得WeLM的API Token并调用相应接口，将WeLM部署在自己的应用上。

具有极强知识储备，已在14项中文NLP任务展示能力

据介绍，在纯Encoder(Bert)、纯Decoder(GPT) 以及Encoder-Decode(T5) 结构等主流NLP模型路径的选择上，WeLM和GPT3、Google PaLM一样，选择了自回归模型的路线。同时，考虑到不同的用户对于模型效果和推理延迟会有考量或者取舍（trade-off），微信AI的WeLM训练了1.3B、2.7B以及10B三个版本的模型，满足不同用户的调用需求。

同时，在训练数据上，微信AI团队希望构建一个足够丰富、足够干净、足够公平的数据集，为此研究团队从Common Crawl下载了近两年的中文网页数据，和大量的书籍、新闻。为了增强专业能力，微信AI团队还在数据集补充了知识密集的论坛数据和一些学术论文，搜集完成后的全量数据10TB，其中包含了750G的英文数据，并保留了部分日韩文。

随后，通过规则过滤和额外训练的二分类fasttext模型，以及对测评相关数据的去除，数据集最终处理完的数据量为262B tokens。为了更好的平衡各个数据源的比重，微信AI团队也对数据进行不同比重的采样，最终，整体数据集的Topic分布相比 Common Crawl更加平滑。

在与业界同级别大模型的对比测试中，WeLM表现出极强的知识储备，在14项中文NLP任务上，WeLM 的整体表现超出了所有同大小的模型，甚至能够匹配比它大25倍的模型。同时，WeLM还有出色的多语言理解能力，用户的输入可以在中日英上丝滑切换。

ChatGPT API

参考资料

https://welm.weixin.qq.com/docs/

https://new.qq.com/rain/a/20221013A02P8400