共计 1537 个字符，预计需要花费 4 分钟才能阅读完成。
ERNIE1.0
ERNIE1.0 的论文：https://arxiv.org/pdf/1904.09…
ERNIE 系列的代码：https://github.com/PaddlePadd…
ERNIE1.0 的预训练代码能够查看 https://github.com/PaddlePadd…
ERNIE1.0 应用的是 BERT 作为 backbone，但相比于 bert，
1）ERNIE1.0 应用了三个 level 的 mask 策略，减少了预训练难度，让模型学到了更多常识。
2）ERNIE1.0 新增了 DLM(Dialogue Language Model) 工作。
3）应用了更多类型的训练数据。
ERNIE1.0 三个 level 的 mask 别离是 basic-level masking、phrase-level masking 和 entity-level masking。而 bert 只是应用了 basic-level masking。
basic-level masking 以字为单位进行 masking。
phrase-level masking 以短语为单位进行 masking。
entity-level masking 以实体为单位进行 masking。
ERNIE2.0
ERNIE2.0 的论文：https://arxiv.org/abs/1907.12412
ERNIE 系列的代码：https://github.com/PaddlePadd…
ERNIE2.0 的次要奉献在于：
提出了反对 continual multi-task learning 的 ERNIE framework。
提出了三种无监督类型的工作：word-aware pretraining task，struture-aware pretraining task , semantic-aware pretraining task
ERNIE frame 反对 continual multi-task learning。传统的 multi-task learning 从 0 开始学习（下图中），传统的 continual learning 顺次训练 task1、task2、…. taskn（下图右）。而 continual multi-task learning 顺次增加新工作，然而每来一个工作仍会和旧工作组合成 multi-task learning（下图左）。
continal multi-task learning 是在预训练中应用的。在 finetune 中，只须要加载相应的构造，针对特定的工作 finetune，造成相应工作的 finetune 模型。
ERNIE3.0
ERNIE3.0 的论文：ERNIE 3.0: Large-scale Knowledge Enhanced Pre-training for Language Understanding and Generation
ERNIE 系列的代码：https://github.com/PaddlePadd…
ERNIE3.0 相比与 ERNIE2.0,
1. 在模型构造上提出了 Universal Representation 和 Task-specific Representation。
2. 在 2.0 的根底之上持续摸索 continual multi-task learning，持续应用 word-aware pretraining task、structure-aware pretraing task，但同时新增了 knowledge-aware pretraining task。
3. 参数量增大到了 10 billion，ERNIE3.0 应用了 progressive training 以及更多的训练数据。
模型构造：Universal Representation 和 Task-specific Representation
