RoBERTa
RoBERTa 是 Facebook AI 提出的 BERT 改进版本，全名是 Robustly Optimized BERT Pretraining Approach。它并没有改变 BERT 的模型结构，而是通过对预训练流程的全方位优化，显著提升了模型性能。
原因是，研究人员发现，BERT的训练远未收敛，所以他们提出了几种对BERT模型预训练的方法。RoBERTa = 优化训练方法版 BERT
RoBERTa的改进
去掉下句预测（NSP）任务
RoBERTa 彻底移除了 NSP 任务，只保留 掩码语言模型（MLM） 。
BERT 原始论文中使用了两个预训练任务：
- 掩码语言模型（Masked Language Model, MLM）下句预测（Next Sentence Prediction, NSP）
其中，NSP 的任务目标是：判断给定的两个句子，是否是原文中相邻的句子。
🌰 举个例子（BERT 的 NSP 任务）：
- 正例：
句子A："优弧给我1000w矿石"
句子B："我用矿石换了switch."
➜ 标记为
isNext负例：句子A："优弧给我1000w矿石"
句子B："我是王帅帅他爹"
➜ 标记为
notNextBERT 希望模型能学会捕捉句子之间的逻辑连贯性和上下文关系。
之前ALBERT那个我们写了，大家觉得NSP任务没啥用，为了深入评估 NSP 的作用，研究者设计了以下四种训练设置，并使用相同的 BERT 模型架构在多个下游任务上进行评估：
| 训练设置 | 是否使用NSP | 输入格式说明 |
|---|---|---|
| 片段对 + NSP | ✅ 是 | 输入为两个片段（非严格意义的句子对），最多512个token，采用标准 BERT 的 NSP 任务 |
| 句子对 + NSP | ✅ 是 | 输入为两个句子组成的句子对，可以来自同一文档或不同文档，长度限制为512个token |
| 完整句 | ❌ 否 | 输入为一个完整文本片段（不使用 NSP），从一个或多个文件中连续采样，如果输入到达一个文件的末尾，那么就从下一个文件开始采样，最大长度512 token |
| 文档句 | ❌ 否 | 与“完整句”类似，但只从同一个文档中采样，如果输入到达一个文件的末尾，就不会从下一个文件中采样，不跨文件边界 |
研究人员在以下四个任务上评估了模型表现：
- SQuAD（问答任务，F1 分数）MNLI-m（自然语言推理）SST-2（情感分类）RACE（多项选择阅读理解）
论文中这个表格的结果表明，不使用 NSP 的“完整句”和“文档句”训练方式，在多个任务上性能优于使用 NSP 的训练方式。“文档句”在效果上略优于“完整句”，但由于其采样更复杂、批大小不稳定，RoBERTa 最终选择使用“完整句”作为默认策略。
然后他们进行了深入分析，认为NSP有几个问题：
- NSP 任务太简单，没太多学习价值：句子之间是否相邻，模型可以凭借一些浅层线索（如主题相似、词语重合）来判断，不需要深层语义理解。NSP 混淆了“连贯性”和“相关性”：正例中的句子是自然连续的，但负例往往是随机配对，差距太大，模型容易抓住“话题不同”这种表层特征来猜，而不是去学真正的语义连贯性。实验发现：移除 NSP 后，模型性能反而更好：RoBERTa 团队在 GLUE、SQuAD、RACE 等任务上进行了对比实验，只使用 MLM 而不使用 NSP 的模型，表现更强，尤其在句子级任务中明显受益。
所以最后RoBERTa 彻底移除了 NSP 任务，只保留 掩码语言模型（MLM） 。
动态掩码策略（Dynamic Masking）
我们都知道 BERT 使用的是“掩码语言模型”任务（MLM），简单说就是把句子里的某些词遮住（mask 掉），然后让模型猜出来原词是什么。
但在 BERT 里，这些被遮住的词在预处理阶段就已经一次性选定，也就是说，无论训练多少轮，模型看到的“填空题”都是那些固定位置。
RoBERTa 对此做了一个关键优化：动态掩码，每次训练时，随机重新选择要遮住的词，也就是说，每次看到的是不同的填空版本。
比如：
优弧昨天突然给我发了1000w矿石，非让我换Switch。
"Youhu suddenly sent me 10 million ores yesterday and insisted that I trade them for a Switch."
如果是 BERT，它可能始终只遮住：
"Youhu suddenly sent me 10 million [MASK] yesterday and insisted that I trade them for a Switch."
但在 RoBERTa 中，对模型进行全数据训练，每次训练中看到的被遮盖的词都是不同的：
"Youhu suddenly sent me [MASK] million ores yesterday..."
"Youhu suddenly sent me 10 million ores yesterday and insisted that I [MASK] them..."
"Youhu [MASK] sent me 10 million ores yesterday..."
这样，模型不仅学会填“ores”这种固定位置的某个词语，还能更全面地学习整个句子的上下文关系、语法结构、词义分布。
更大数据集、更大批次
数据集
BERT 的预训练数据主要来自两个英文大规模文本语料：
- BooksCorpus（多伦多图书语料库） ：小说、故事类书籍，共约 800M 单词；English Wikipedia（英文维基百科） ：共约 2,500 万篇文章，去除表格、列表后的正文。
📦 这两个数据集合计大小约为 16GB，用于训练原始的 BERT 模型。
RoBERTa 在此基础上，进一步扩充了训练语料库，引入了三个全新的开放域数据集：
- CC-News：从 Common Crawl 中抽取的新闻数据，约 76GB；OpenWebText：模仿 OpenAI GPT 训练语料，从 Reddit 高质量链接页面抓取的网页文本，约 38GB；Stories：Common Crawl 的子集，包含大量连贯叙事文本，约 31GB。
📊 五个数据集总量合计达 160GB，是 BERT 原始语料的 10 倍。
这种语料扩展使 RoBERTa 能够学习更多样、更多领域的语言模式，从而提升其泛化能力。
批量
在训练配置上，RoBERTa 同样进行了重要优化：BERT的预训练批量大小为256。而RoBERTa批量大小为8000。
采用字节级 BPE分词
BERT 使用的 WordPiece 分词器：
- 从字符开始构建词表；根据 语言统计特征（如互信息、似然增益）合并频繁子词；尽可能保留语义单元，减少 OOV（未登录词）。
例如：
Token: unbelievableWordPiece: un ##believ ##ableRoBERTa 使用 Byte-Level Byte Pair Encoding (Byte-Level BPE) ，这是一种更底层、更通用的子词分词算法：
操作单元为字节序列：分词操作在 0~255 范围的字节上进行，对所有输入都保持一致性，无需关心字符集或语言编码问题。
可以处理任意输入：包括表情符号（emoji）、Unicode 特殊字符、甚至拼写错误的词汇，没有“未登录词”（OOV）的问题。
一致性更强：不依赖语言规则，对英语、法语、代码等各种文本类型都能统一处理，非常适合跨领域任务。
空格编码机制特殊：空格作为字符被编码，例如 " hello" 会被分词为 "Ġhello"（前缀 Ġ 表示空格），有助于模型区分词与词之间的边界。
例如：
Token: "Hello😊"Byte-Level BPE: ['H', 'ello', '�', '�']RoBERTa 的词表大小扩展至 50,000 个标记。
RoBERTa 通过采用字节级 BPE，不仅提升了对边缘文本的处理能力，还减少了 OOV 问题，为模型在多任务与跨领域中的稳定表现打下基础。
总结
RoBERTa 告诉我们，训练策略比结构更重要。
它没有改变 BERT 的 Transformer 架构，但凭借优化数据规模、任务设计和训练方式，就能让模型在几乎所有任务上显著提升。
