Обзор и разбор трансформерных архитектур

ОБЯЗАТЕЛЬНО

Разработчику

После Attention Is All You Need (2017) появилось семейство архитектур с общим каркасом attention + FFN, но разными схемами обучения и блоков. Ниже — карта основных линий; хронология breakthrough'ов — тренды 2018–2021.

---

Три оси классификации

Ось	Варианты
Topology	encoder / decoder / both
Objective	MLM, CLM, span corruption, denoising
Scale	tiny (millions) → frontier (100B+)

---

Encoder-only

BERT (2018)

Bidirectional Encoder Representations from Transformers — encoder + Masked Language Modeling (MLM) + Next Sentence Prediction (NSP).

• случайные 15% токенов маскируют; модель восстанавливает их с учётом обеих сторон контекста;
• сильные sentence / token embeddings для классификации и NER;
• типичный fine-tune — добавить head на [CLS] или на каждый token.

RoBERTa (2019)

Пересмотр рецепта BERT — больше данных, динамическое маскирование, без NSP, длиннее обучение. Часто строго лучше BERT при том же размере.

ALBERT (2019)

Factorized embeddings + cross-layer parameter sharing — меньше параметров, сравнимое качество; дольше обучение на step.

DeBERTa (2020)

Disentangled attention — отдельные представления для содержания и позиции; улучшение на GLUE и SuperGLUE.

DistilBERT (2019)

Дистилляция BERT в модель ~40% размера, ~60% скорости, ~97% качества — edge и latency-sensitive сервисы.

---

Decoder-only

GPT (2018–2020)

Generative Pre-trained Transformer — только decoder, causal language modeling (предсказание следующего токена).

Версия	Параметры	Заметка
GPT-1	117M	Transfer + fine-tune
GPT-2	1.5B	Zero-shot emergent abilities
GPT-3	175B	In-context learning, few-shot

Современные LLM (GPT-4, Claude, Llama 3, Gemma) — та же decoder-only линия + RLHF, MoE, длинный контекст.

LLaMA / Mistral / Qwen

Открытые или частично открытые decoder-only модели; Llama — RMSNorm, SwiGLU, RoPE; Mistral — sliding window attention; Qwen — сильный multilingual.

---

Encoder-decoder

T5 (2019)

Text-to-Text Transfer Transformer — все задачи как текст: "translate English to German: …", "summarize: …". Обучение — span corruption (Random spans → <extra_id> tokens).

Удобен, когда вход и выход — разные тексты (перевод, суммаризация).

BART (2019)

Denoising autoencoder — шумят текст (shuffle, mask, delete), модель восстанавливает. Сильная генеративная seq2seq альтернатива T5.

mBART / mT5

Мультиязычные варианты — перевод и cross-lingual transfer, важны для русского в связке с английским.

---

Длинный контекст

Стандартный attention — $O(n^2)$ по памяти. Обходы:

Модель / техника	Идея
Longformer / BigBird	Sparse attention — local + global tokens
Linformer / Performer	Аппроксимация attention
FlashAttention	IO-aware exact attention на GPU
RoPE + YaRN / NTK	Экstrapolation позиций для LLM

---

Как выбрать архитектуру

Задача	Первая гипотеза
Классификация, NER, embedding	Encoder (BERT, RuBERT, e5)
Чат, генерация, код	Decoder (GPT, Llama, Qwen)
Перевод, суммаризация seq2seq	T5, BART, mT5
Мало VRAM, latency	DistilBERT, TinyBERT, rubert-tiny
Длинный документ	Longformer, RAG + chunking, long-context LLM

С 2022 года

Многие продуктовые задачи "понимания" решают промптом к большой decoder-only LLM или RAG вместо fine-tune BERT. Классические encoder-модели остаются дешевле на inference и предсказуемее для узкой классификации.

---

Сравнение objective

Objective	Модели	Направление контекста
MLM	BERT, RoBERTa	Двусторонний (на masked позициях)
CLM	GPT, Llama	Только слева направо
Span corruption	T5	Encoder видит corrupted, decoder генерирует
Denoising	BART	Восстановление исходного текста

---

Дальше

• Тренды NLP 2018–2021 — хронология и бенчмарки
• Предобученные модели на практике
• Мультимодальные трансформеры

---