处理BERT时，重点是确认角色定位、当前位置和后续奖励，避免只看结论漏掉前置条件。

先看原文给出的关键信息：人工智能：预训练语言模型与BERT实战应用1.1 本章学习目标与重点? 学习目标：掌握预训练语言模型的核心思想、BERT模型的架构原理，以及基于BERT的文本分类任务实战流程。；? 学习重点：理解BERT的双向留意力机制与掩码语言模型预训练任务，学会使用Hugging Face Transformers库调用BERT模型并完成微调。；2 预训练语言模型的发展历程与核心思想1.2.1 为什么要预训练语言模型? 传统的自然语言处理模型（如LSTM+词嵌入）存在两个核心痛点：一是要大量标注数据才能训练出高性能模型，二是模型对语言。继续往下处理时，重点放在这些条件上：预训练语言模型的出现解决了这些情况。；它的核心思路是先在大规模无标注文本语料上完成预训练，学习通用的语言知识和语义表示，再针对特定任务完成微调。；这种“预训练+微调”的范式，极大降低了对标注数据的依赖，另外显著提高了模型在各类NLP任务上的性能。。收尾检查时，再把这些细节对上：预训练语言模型的发展能分为三个阶段：单向语言模型阶段：以ELMo为代表，通过双向LSTM分别学习正向和反向的语言表示，再拼接得到词向量。；但ELMo本质还是基于RNN的特征提取器，无法捕捉深层的上下文依赖。；自回归语言模型阶段：以GPT为代表，采用单向Transformer解码器架构，通过自回归的方式预测下一个词。。