ChatGLM-6b也是一种预训练模型，它也可以通过微调来适应下游任务。实验表明，使用ChatGLM-6b微调和Bert类预训练模型微调的效果相近。如果采用多任务设计，ChatGLM-6b的效果会更好。你可以在这里了解更多关于ChatGLM-6B的信息: ChatGLM-6Bhttps://github.com/THUDM/ChatGLM-6B

在本次实验中，我们使用了一个小规模的命名实体识别数据集。因此，我们可以构造以下样本：

输入：9月22日，英国皇家海军接收第三艘用于防空作战的45型驱逐舰钻石号........

输出：实体类型A1的实体有B1，C1

输出：实体类型A2的实体有B2

输出：没有属于实体类型A3的实体

比如，输出可以是：属于舰船舰艇的实体有45型驱逐舰钻石号，没有属于炮弹的类型的实体。

然而，如果我们有n个实体类型，这就意味着我们需要构建n个问答对。这样的设计虽然逻辑清晰，但训练和预测都会非常耗时。因此，我们需要设计一种方法，使得一个问答对就能解码出所有答案。

输入：9月22日，英国皇家海军接收第三艘用于防空作战的45型驱逐舰钻石号........

输出：A1#B1#C1&&A2#B2

例如，输出可以是：舰船舰艇#45型驱逐舰钻石号#40型驱逐舰&&火炮#777火炮

实验结果表明，这两种格式的微调效果几乎一样，但后者的效率提高了n倍。

但是，使用p-tuning v2微调的方式会存在一些问题，比如会预测出数据集中没有出现的实体类型，例如鱼类、火箭炮等。虽然这体现了模型的zero-shot能力，但是也给我们带来了问题。因此，我们希望对实体类型进行限制，我们选择使用多任务方式实现。LLM的模型天生的适合多任务学习

我们增加了实体识别和实体边界检测任务，同时保留了之前所有的训练数据。例如，我们添加了以下样本：

输入：HK417式突击步枪在句子'HK417式突击步枪还将添加一些新的部件'中是什么实体类型

输出：单兵武器

输入：突击步枪在句子'HK417式突击步枪还将添加一些新的部件'中是什么实体类型

输出：实体不完整

输入：HK417式突击步枪还将在句子'HK417式突击步枪还将添加一些新的部件'中是什么实体类型

输出：实体越界

我们可以通过规则去制作这种训练数据，当然，如果人工去制作效果可能会更好。

在训练过程中，模型同时学习实体抽取和实体判断两个任务，预测时，我们对每条预测结果进行二次判断，以提高准确率。实验表明，这种方法可以大幅提高模型性能。

总结

ChatGLM-6b微调和Bert类预训练模型微调的效果相近。如果采用多任务设计，ChatGLM-6b的效果会更好

我们将实体识别和实体边界检测作为两个独立的任务，这在训练过程中，不仅帮助模型更好地理解实体的概念，而且使其更清晰地了解实体的边界。同时在预测时，模型可以输出对实体判段的结果，增加了结果的可解释性，我们可以更快更针对性的增加数据集，提高训练效果。