P之前基本是每个任务单独设计模型，再单独训练，很依赖大量标注数据，不同任务之间的技术栈并不通用，也就是导致研发进展很缓慢。
通用模型意味着只用Transformer就能快速适配不同的任务。
以前是很多模型干不同方向的活，现在是用一个Transformer做不同方向的活，意义自然完全不同，如果能够继续推动，许多设想中的场面都可能会实现。
陆奇不用吴恩达多解释就知道这种判断的意义，但他的第一反应是十分怀疑：「通用模型？Transformer？这个判断是怎麽得出来的？」
「我们基於Transformer做了一个模型，用它去做NLP的能力测试，它在GLUE的9个任务里已经有5个达到S0TA，这还只是我们的初步尝试。」吴恩达说道，「另外，它在机器阅读理解的2个任务里也拿到了高分。」
GLUE是目前业内公认的NLP通用能力评测，包含9个不同类型的语言理解任务，而机器阅读理解也是NLP领域最受关注的任务之一。
吴恩达拿出了平板，展示具体的模型处理效果，过去需要不同模型的任务在基於Transformer的模型测试里拿到5项最优，剩下4项也接近最优。
在机器阅读理解的2个任务里，模型的F1值拿到89分，超越了人类平均水平的87.9
分。
吴恩达时刻注意着陆奇的视线和浏览，等到他看到机器阅读理解这部分，不轻不重的说了句：「这是大模型在机器阅读领域第一次超过人类在通用数据集的表现。」
陆奇沉默了。
俞兴这时提到一个关键的问题：「这还是他们在很短时间里的成果，从去年到现在，从机器翻译领域转到NLP领域，也就不到4个月的时间。」
「这4个月，这11个任务里大部分的提升幅度已经相当於业内过去三到五年的总和。」
「啧，就这个情况，时间再多点，恐怕11个任务都能达到S0TA。」
全球业内数年的提升在过去四个月时间里被基於Transformer的模型做到了。
这些正是吴恩达发起联名信的底气，他有信心可以进一步推动新模型的发展，至於到底能不能成为NLP通用大模型，谨慎的说，需要进一步验证。
从感性与直觉来看，吴恩达认为就是这个了。
陆奇翻来覆去的看着平板上的测试展示，
本章未完，请点击下一页继续阅读！