语境如何影响生成

大型语言模型（LLM）将文本分解成标记 (token)，并根据已处理的序列来预测下一个标记。一个核心问题是模型如何确定哪个标记是最可能的下一个标记。这个决定主要依赖于语境——预测点之前出现的标记序列。

设想一下阅读一个故事。如果你跳到一段的中间，你可能会难以理解正在发生的事情。你需要之前的句子和段落来提供语境：角色是谁？背景是什么？已经发生了哪些事件？LLM 的运作方式类似。在模型生成输出之前提供给它的文本，就是它对当前状况的理解。

前置文本的重要性

从根本上说，LLM 不断地根据它已处理的序列来计算下一个标记 (token)的概率。语境直接影响这些概率。输入语境的微小变化可能导致完全不同的输出。

考虑这些简单示例：

1. 输入语境： “天空是蓝色的，云彩是”
   • 可能的下一个标记： “白色”、“蓬松”、“灰色”
2. 输入语境： “早餐我喜欢吃培根和”
   • 可能的下一个标记： “鸡蛋”、“吐司”、“薄饼”
3. 输入语境： “要修好漏水的水龙头，他需要一个”
   • 可能的下一个标记： “扳手”、“水管工”、“工具”

在每种情况下，生成点之前的词语都强烈提示了最可能的下一个词。模型依据在大量文本训练期间学到的模式来理解“白色”常跟在“云彩是”之后，“鸡蛋”常跟在“培根和”之后，而“扳手”与“修好漏水的水龙头”相关。

保持连贯性和主题

语境不仅仅是预测下一个词；它对于生成更长、连贯且切题的文本也很关键。当你向 LLM 提供提示或继续对话时，整个前置序列都会影响后续的生成。

想象你问 LLM：

“写一个关于宇航员在火星上找到一种奇异植物的短篇故事。这种植物发出微弱的光。”

LLM 将整个请求用作语境。当它生成故事时，它不断地回溯到这个初始语境（以及它迄今为止生成的内容），以确保故事始终围绕宇航员、火星、奇异植物及其发光的特点。如果语境只提到“写一个故事”，那么输出会远不如这个具体。

聚焦相关信息（初识注意力机制 (attention mechanism)）

你可能想知道模型是否对语境中的每个词都赋予相同的权重 (weight)。如果语境非常长，第一个词的影响力是否和最后一个词一样大？通常不是。

现代 LLM，特别是那些基于前面提到的 Transformer 架构的模型，使用通常被称为注意力的机制。这使得模型在生成特定输出标记 (token)时，可以衡量输入语境中不同部分的重要性。它可以“更多地关注”语境中与预测下一个标记最相关的词语或短语。

例如，如果模型正在生成“宇航员拿起发光的 _”之后的下一个词，注意力机制可能会大量关注之前语境中的“宇航员”、“发光”和“植物”，以预测一些相关词，可能是“样本”或“花”。

此图例说明了注意力机制在预测下一个词时，如何可能侧重于语境中的相关词语（“宇航员”、“发光”、“植物”）。线条的粗细和颜色深浅表示所分配的相对重要性。

限制：语境窗口

尽管语境很强大，但 LLM “记住”或考虑过去文本的能力并非无限。模型具有语境窗口（也称作语境长度），这是模型在任一时刻可以考虑的最大标记 (token)数量。这包括输入提示和生成的输出。

可以将其视为短期记忆。模型只能保持一定量的近期信息处于活跃状态。如果对话或文档超出语境窗口的大小，模型会有效地遗忘最早的部分。

例如，一个拥有 4096 个标记语境窗口的模型，大约可以处理 3000 个词（因为标记与词不是一对一的关系）。如果你提供给它一份 5000 词的文档并要求摘要，它在生成摘要时可能只能考虑最后约 3000 个词，可能会遗漏开头的某些信息。

不同 LLM 的语境窗口大小差异很大。拥有更大语境窗口的模型可以处理更长的对话、处理更大的文档，并在更长时间的交互中保持连贯性，但它们通常需要更多的计算资源。

了解语境如何影响生成对于有效使用 LLM 非常重要。通过在模型的语境窗口内提供清晰、相关且充足的语境，你可以引导它生成更准确、连贯且有用的输出。当你开始在下一章编写提示时，请记住你提供的语境是塑造 LLM 响应的主要手段。