今天速读一篇文章
Can Gradient Descent Simulate Prompting?

一句话总结

针对【新知识应用的场景里，FT效果往往追不上ICL】这个情况，作者引入MAML的思想↓
内圈让模型学习新知识形成知识FT模型；
外圈通过最小化ICL和知识FT模型的KL散度，来引导模型逼近ICL的效果。

※ 备注1：ICL这里单指把知识召回到上下文当中，不考虑有没有few-shot Example。
※ 备注2：作者把这个方法叫learn by condition， LC，实验中会用到这个称呼。
※ 备注2【新知识应用的场景里，FT效果往往追不上ICL】这个情况举个常见的例子，如果RAG的知识索引和知识切片做的好，本地知识的回答正确率往往比在这些知识库上Train过的模型高。

多说一句【新知识应用的场景里，为什么还要用FT？】

我选这篇读确实是因为这个Setting有现实意义。
比如，在让模型KnowHow的场景下，模型要学习大量的“在什么场景下应该作什么，应该怎么做”这样的知识。如果这些知识的总量比较有限（场景比较静态），那ICL就能做的很好。但如果场景非常非常多（你就想想自己看小红书炒菜会出多少种跟图文攻略不一样的情况，就能体会了），把所有这些知识都塞到上下文里就不如训练更经济了。
而且一些场景中（比如引导型对话），又很难把“场景”的索引建起来以便RAG——因为场景描述本身就是个非结构化知识描述，表征、文本分析法其实都比较难准确建立索引。

想通过训练解决问题，但仅靠背诵一遍 【操作手册】（formalize 在什么场景下应该作什么，应该怎么做的文档），模型的执行性能是远远做不到和ICL相比的。

而且在实际工程开发中，其实存在两个阶段：
阶段一是用提示工程和Agent体系来支持80%的场景，这个时候会积累一些非常精品的知识。
阶段二是想办法把剩下20%的场景也支持起来，这个时候ICL其实受限于场景的膨胀和模型的理解效率，已经无法维继，必须转向其他方案，而转向其他方案时，如果不继续利用前面开发的提示工程和Agent生产的数据，前面的开发成本又白花了。
所以能够弥合这两个阶段的方案，其实非常适合实际场景应用。

整体步骤

1. 内圈优化（Inner Loop）：
   假装微调：给模型$\theta$看一条新知识$c$（如“Bob works at Best Buy”），让它用一次梯度下降更新自己的参数，得到${\theta }^{\prime }$。

2. 外圈优化（Outer Loop）：
   训练模型的“学习能力”：

   • 拿BASE模型$\theta$ 和新知识 $c$ 去回答问题 $q$（如“Does Bob work at an electronics store?”）得到答案 $a$
   • 拿内圈“假装微调”后的模型${\theta }^{\prime }$，计算这个目标↓
     

这个目标就是BASE模型 $\theta$ 给定新知识 $c$ ，问题 $q$ 的情况下生成答案 $\hat{a}$ 的概率和假装微调模型 ${\theta }^{\prime }$，给定问题$q$，“生成” $\hat{a}$ 的概率的KL。（不是真生成，只是算logits）

• 调整：根据这个KL，用梯度下降更新模型的初始参数$\theta$

但以上理念性方案之外，作者对训练的描述非常缺乏细节。除了，使用了LORA，超参 lr=1E-3和训了1个epoch以外，其他的细节就没啥了（比如，作者说对梯度进行了clip，那你clip的参数是多少呢？再比如，训练的时候，学习知识的单步gradient怎么放训练图上？再比如，通过后面实验可以看到，作者主实验里的的内圈是每次一个知识的，但是外圈的batch_size是16个， 这是不是得固定好对应篇章的问题？种种，心累）

效果怎么样

一定程度逼近了ICL，但差距还比较明显

这个图上横轴对应的是训练配置，柱子的颜色对应的是测试配置，横轴上，BM是BASE Model，LC是作者的方法，LG是把BASE模型通过ICL生成的答案$\hat{a}$ 换成ground truth $a$，其他没变。
注意图上的字，中文是我写的，主实验你放张表怎么啦，能画得这么不清楚，作者真的是……需要调整 _(¦3」∠)_

效果上看，BASE模型+ICL在SQuAD上能达到87%（caption里写是Accuracy……），BASE模型+纯FT（就是普通的拿训练集Finetune）就只能达到47.3%。而作者的方法LC（橙色柱子中间LC对应的哪个柱子）能达到58.6%，简单说还是有所逼近但不够看。

内外圈的配置很关键，但作者没说清楚

你就说，实验配置有没有必要写到caption里去吧……

这个实验表，其实就是比是不是用LORA就够了。如果说纯BASE模型+ICL是天花板的话：↓

※一个结果是：内外圈都用全参数微调和外圈用了Rank=1的LORA（内圈还是全参数微调）的结果差不多，因为内圈实际上只参与外圈模型更新的gradient计算，但不参与更新，所以其实意思是这些知识和问题回答只要Rank=1就够了？（我其实希望作者能展示更多实验数据集上的结果）

※ 另一个结果是，内圈用随机初始的LORA来更新，和内圈用训练过的LORA来更新，后者效果好巨多。注意这里没说Rank，正文里也没有明说Inner的Rank是不是等于1（虽然按作者的实验节奏是有可能是1 的，毕竟你这个LORA adapter从哪儿来的嘛），吊诡的是表的这一列（最后一列）上效果Gap最大，SQuAD 上能打到72% 但wiki只能达到38，即和Full差不多。而wiki 数据上的question其实是作者楞构造的，就是把一句话随机楞拆成 三部分，比如 ↓

这样其实真的挺楞的。无非打磨是续写能力，跟背诵原知识差距不大。
这个SQuAD和wiki的Gap，往好了解释，可以说是我参考的一篇论文观点的印证 Instruction-tuned Language Models are Better Knowledge Learners 即 先训QA后训QA+Document对模型回答问题的能力有帮助。

往不好了解释：这个Inner拿来的Adapter训练得多深啊，不是上一个epoch训完，已经见过一遍知识和QA的adapter吧？那训练epoch数就不一样了啊，算不算过拟合呢？

可能是难知识编辑的一种方案

上表中的表头被我改了，当前arxiv版本中的表头根本看不出是写啥（作者你快改吧，加油干💪🏻）简单来说，就是↓
※ 其一、作者发现有些Case（表的第一行）在普通FT前后，模型都答不对问题。在作者推荐的LC方法的内圈（我猜的）跑完之后，也是回答不正确的，但是LC外圈跑完之后就能回答对了。

※ 其二、有些Case就是普通FT训练前后都回答不正确，但LC内圈跑完已经能回答了。
这里其实我有个疑问，普通FT的lr是多少啊，LC1e-3的lr模型其实啥都背的下来了，就只是对这个Q敏感不敏感的问题。

评价与感想

1. 作者这篇工作特别像是把第0.5稿给丢到arxiv上了。实验的setting，结果的描述等等都非常欠整理，代码也没有放，导致很多细节无法确定，应该后面会有更好的版本放出来的，对吧ヾ(◍°∇°◍)ﾉﾞ。
2. 刨去论文写作没完工带来的问题，这篇的setting和思路我都非常喜欢。前面说过了场景的价值，这里说思路。在LLM的学习过程中引入MAML的尝试其实不止这篇论文一个，但是着眼于新知识学习的工作，我最近好像只看到这一个。而且就作者现在的setting而言，也应该可以扩展到Reasoning（虽然看ICLR25也有一个引入MAML做推理的，但是着眼点不太一样，不在这里比较了）。
3. 论文的机制分析非常非常不够。就之前对Induction Head的研究而言，一些工作会认定模型的ICL能力和知识记忆能力来自于Transformer不同的Head。比如Cutting Off the Head Ends the Conflict: A Mechanism for Interpreting and Mitigating Knowledge Conflicts in Language Models 这篇文章提到模型上下文理解的头和知识记忆的头分别在不同的层，而且这两者的作用强弱会影响“知识冲突”这一现象。
   

而今天我们讨论的这篇文章的作者可以说是【把ICL头当做Teacher，把记忆头当做Student，做模型内的知识蒸馏】，那训练完了之后，这些头有什么变化？
另外，作者在LC方法能独占优化的Case上也没有分析，到底在外圈模型的什么变了导致模型能答对问题了？这些都需要解释。
不过，往好处说，至少还可以再出两篇续作，一篇讲机制，一篇讲训练加速，是不是？