NLP发展历程从Word2Vec,GloVe,ELMo,Flair,GPT,BERT
1、2013年，Word2vec模型，Google公司
无监督模型，与语境无关
2、2014年，GloVe模型，Stanford
GLoVe：Global Vectors for Word Representation
无监督模型，与语境无关
3、2018年3月，ELMo模型，AllenNLP/NAACL
ELMo：embedding from language model
与语境有关
参考信息：
2018年，AllenNLP的Matthew E. Peters等人在论文《Deep contextualized word representations》中首次提出了ELMo模型
论文地址：/
这篇论文来自华盛顿大学的工作，该论文同时被ICLR和NAACL接受，最后是发表在NAACL会议上，并获得了最佳论文。
4、2018年，Flair，Zalando Research团队
Flair是由Zalando Research开发的一个简单的自然语言处理（NLP）库。 Flair的框架直接构建在PyTorch上
Flair简介
Flair的GitHub主页：
5、2018年6月11日，GPT，openAI
GPT：Generative Pre-Training，生成式预训练
论文：Improving Language Understanding by Generative Pre-Training，地址/
包含1.17亿个参数
6、2018年10月，Bert，Google
BERT ：Bidirectional Encoder Representations from Transformers)
2018年的10月11日，Google AI的Jacob Devlin和他的合作者在arxiv上放上了他们的文章，名为《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》
论文地址：.04805
模型对比
7、2019年2月15日，GPT-2，openAI
包含15 亿参数
6、2020年5月28日，GPT-3，openAI
包含1750 亿参数量，是GPT-2的116倍
使用的最大数据集在处理前容量达到了 45TB
论文Language Models are Few-Shot Learners，地址：.14165
8，2020年，Switch Transformers，微软
论文Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity，地址：.03961
包含16000亿参数，是GPT-3的9倍
NLP发展历程从Word2Vec,GloVe,ELMo,Flair,GPT,BERT
1、2013年，Word2vec模型，Google公司
无监督模型，与语境无关
2、2014年，GloVe模型，Stanford
GLoVe：Global Vectors for Word Representation
无监督模型，与语境无关
3、2018年3月，ELMo模型，AllenNLP/NAACL
ELMo：embedding from language model
与语境有关
参考信息：
2018年，AllenNLP的Matthew E. Peters等人在论文《Deep contextualized word representations》中首次提出了ELMo模型
论文地址：/
这篇论文来自华盛顿大学的工作，该论文同时被ICLR和NAACL接受，最后是发表在NAACL会议上，并获得了最佳论文。
4、2018年，Flair，Zalando Research团队
Flair是由Zalando Research开发的一个简单的自然语言处理（NLP）库。 Flair的框架直接构建在PyTorch上
Flair简介
Flair的GitHub主页：
5、2018年6月11日，GPT，openAI
GPT：Generative Pre-Training，生成式预训练
论文：Improving Language Understanding by Generative Pre-Training，地址/
包含1.17亿个参数
6、2018年10月，Bert，Google
BERT ：Bidirectional Encoder Representations from Transformers)
2018年的10月11日，Google AI的Jacob Devlin和他的合作者在arxiv上放上了他们的文章，名为《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》
论文地址：.04805
模型对比
7、2019年2月15日，GPT-2，openAI
包含15 亿参数
6、2020年5月28日，GPT-3，openAI
包含1750 亿参数量，是GPT-2的116倍
使用的最大数据集在处理前容量达到了 45TB
论文Language Models are Few-Shot Learners，地址：.14165
8，2020年，Switch Transformers，微软
论文Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity，地址：.03961
包含16000亿参数，是GPT-3的9倍