GPT 和 BERT 的 Mask 机制对比：核心区别与优化策略
在NLP领域，GPT 和 BERT 是最具代表性的预训练语言模型之一。它们都在训练过程中使用了 Mask 机制来引导模型学习语言表示，但具体实现方式和目标却有所不同。本文将深入探讨 GPT 和 BERT 的 Mask 方法的核心区别，并分析其优化策略。
1. BERT 的 Mask 机制：基于 MLM（Masked Language Model）
BERT（Bidirectional Encoder Representations from Transformers）采用 （Masked Language Model） 进行训练，即在输入文本中随机 Mask 掉部分 token，让模型在上下文中预测这些被 Mask 掉的 token。
BERT 的 Mask 方式具有以下特点：
Token 级别的 Mask：BERT 会随机选择一定比例的 token 并用
[MASK]进行替换，例如：“I love [MASK] dogs.”
这里的my可能会被 Mask 掉，模型需要结合上下文来预测原始词。基于子词（Subword）级别的 Mask：BERT 采用 BPE（Byte-Pair Encoding） 或 WordPiece 进行分词，一个单词可能被拆分成多个子词（subword）。
例如：“running” → [“run”, “##ning”]
如果只 Mask 掉 “##ning”，模型很容易猜测出原单词是 “running”。Mask 预测的优化：
- Span Mask（片段 Mask）：后续研究发现，单独 Mask 子词会让任务变得过于简单，因此提出了 Span Mask，即将整个单词或一段短语整体 Mask 掉，从而增加任务的难度。
- 命名实体 Mask（适用于中文）：中文的分词方式不同于英文，百度等团队在优化 BERT 训练时提出 Named Entity Masking（命名实体 Mask），专门对人名、地名等实体进行 Mask，使模型更好地学习实体识别能力。
2. GPT 的 Mask 机制：基于 CLM（Causal Language Model）
与 BERT 不同，GPT（Generative Pre-trained Transformer）采用的是 自回归语言模型（Causal Language Model, CLM），其训练目标是通过前面的词预测下一个词，而不是填补 Mask 掉的部分。因此，GPT 并不使用 [MASK]，而是通过 自回归（Autoregressive） 方式进行训练，即：
“I love my” → 预测 “dog”
GPT 训练时，模型只能看到当前词及其之前的词，而不能看到未来的词，因此它的 Mask 机制表现为单向（从左到右）遮蔽：
- 自回归 Mask（Causal Mask）：在 Transformer 计算注意力时，GPT 采用一个 上三角 Mask，即屏蔽掉当前 token 之后的所有 token，只能依赖前面的词信息进行预测。
- 无显式 Mask Token：GPT 没有
[MASK]，而是通过连续生成下一个词的方式进行学习，并应用于文本生成任务，如 OpenAI 的 ChatGPT。
这种 Mask 方式的主要优点是适用于 文本生成任务，如对话生成、自动写作等，但缺点是缺乏双向信息，可能导致对上下文的理解不如 BERT 深入。
3. GPT vs. BERT 的 Mask 机制对比
| BERT（MLM） | GPT（CLM） | |
|---|---|---|
| Mask 方式 | 随机 Mask 句子中的 token | 通过左到右的自回归预测下一个词 |
| 训练目标 | 预测被 Mask 掉的 token | 预测下一个 token |
| 注意力机制 | 双向注意力（可以看到左右两侧的上下文） | 单向注意力（只能看到前面的 token） |
| 适用任务 | 适用于 NLP 理解任务，如文本分类、命名实体识别、阅读理解等 | 适用于文本生成任务，如对话系统、自动写作等 |