训练大模型时，适度“健忘”反而更聪明！
大语言模型若缺乏约束，容易直接照搬训练数据。为应对这一挑战，马里兰大学、图宾根大学与马普所的研究团队提出了一种新颖方法——金鱼损失（Goldfish Loss）。
顾名思义，金鱼损失旨在让模型像金鱼一样“记性差”，在计算损失函数时随机忽略一小部分 token。
这样一来，模型不再逐字记忆训练内容，但仍能掌握语言结构和规律。
实验结果显示，在应用金鱼损失后，LLaMA-2 模型：
显著减少记忆化行为：几乎不再复现原始训练文本
保持下游任务表现：文本生成依旧流畅自然
正如网友一针见血地评论：这就像 dropout，只不过作用在损失函数上！
在梯度更新过程中随机屏蔽部分 token
金鱼损失的核心思想十分直观：在训练阶段，随机剔除输入序列中的一些 tokens，使其不参与损失计算。
这样，当模型在推理时面对被“遗忘”的位置，只能依靠上下文进行推测，而非机械复述训练数据。
为了确保每次遇到相同文本时，被屏蔽的位置保持一致，研究者设计了一种基于哈希（hashing）的掩码机制。
那么，它与传统的正则化手段有何不同？
以 Dropout 为例，这类方法通过在神经网络中引入噪声，防止模型对特定参数过度依赖，从而提升泛化能力。
但问题在于：如果每次训练时随机丢弃的 token 位置不同，模型可能通过多次观察拼凑出完整句子，本质上仍是“死记硬背”。
而金鱼损失采用哈希控制的固定掩码模式，保证同一段落每次出现时被屏蔽的位置一致，从根本上阻断模型完整记忆的可能性。
接下来，我们看看金鱼损失的具体实现方式。
在标准的 next-token prediction 训练中，模型以真实下一个 token 为目标输出预测分布，并据此计算交叉熵损失。
而在金鱼损失框架下，模型依然在前向传播中预测每个位置的下一个 token，但在反向传播阶段，会以一定概率将某些位置从损失计算中移除。
也就是说，某些真实的 token 不再作为监督信号参与训练。
初期实验中，研究人员采用了简单的静态掩码策略，例如固定屏蔽每条序列中的第 4 个 token。
为进一步防止模型从其他文档中“间接”学习到被掩码的内容（比如相同段落出现在多个网页），团队还提出了局部化哈希掩码（localized hashed mask）：只要前 h 个 token 相同，掩码模式就保持一致，确保可重复性。
实验设置与结果分析
为验证金鱼损失对记忆化的抑制效果，研究团队设置了两类实验场景：
一是极端记忆场景：对少量文本进行上百轮重复训练，强力诱导模型记忆；
二是常规训练场景：模拟真实环境下按批次训练的过程。
评估指标包括：
RougeL 分数：衡量生成文本与目标之间的最长公共子序列，1.0 表示完全复现。
精确匹配率（Exact Match）：统计完全正确预测的序列占比。
实验发现，在极端条件下，标准训练使 LLaMA-2-7B 完整记住了 100 篇文章中的 84 篇，而使用金鱼损失的模型一篇都没记住。
（注：实验中模型在《哈利·波特》第一章或 100 篇维基百科文章上持续训练了 100 个 epoch）
在常规训练场景下，金鱼损失也大幅降低了模型逐字复现训练数据的倾向。
有人可能会担心：如果故意让模型“漏学”一些 token，会不会影响其整体能力？
研究结果表明：在多项基准测试中，金鱼损失模型、标准模型与对照组之间没有显著性能差异。
值得注意的是，金鱼损失的关键在于跳过部分 token 的梯度更新。因此，模型需要更多数据来弥补信息空缺，可能导致训练效率略有下降。
参考链接
[ 1 ] https://www.php.cn/link/46a62c34c7b8b0c0d02f0833df49ec20
一键三连「点赞」「转发」「小心心」
欢迎在评论区分享你的看法！
— 完 —
专属 AI 产品从业者的实名社群，只聊 AI 产品最落地的真问题 扫码添加小助手，发送「姓名 + 公司 + 职位」申请入群～
进群后，你将直接获得：
最新最专业的 AI 产品信息及分析
不定期发放的热门产品内测码
内部专属内容与专业讨论
点亮星标
科技前沿进展每日见
