“書生·浦語(yǔ)”2.0開(kāi)源發(fā)布，引領(lǐng)新一代開(kāi)源模型創(chuàng)新發(fā)展

2024-01-17 14:39:40 來(lái)源：今日熱點(diǎn)網(wǎng)

1月17日，商湯科技與上海AI實(shí)驗(yàn)室聯(lián)合香港中文大學(xué)和復(fù)旦大學(xué)正式發(fā)布新一代大語(yǔ)言模型書?·浦語(yǔ)2.0（InternLM2）。InternLM2 的核心理念在于回歸語(yǔ)言建模的本質(zhì)，致力于通過(guò)提高語(yǔ)料質(zhì)量及信息密度，實(shí)現(xiàn)模型基座語(yǔ)言建模能力質(zhì)的提升，進(jìn)而在數(shù)理、代碼、對(duì)話、創(chuàng)作等各方面都取得長(zhǎng)足進(jìn)步，綜合性能達(dá)到開(kāi)源模型的領(lǐng)先水平。

InternLM2是在2.6萬(wàn)億token的高質(zhì)量語(yǔ)料上訓(xùn)練得到的。沿襲第一代書生·浦語(yǔ)（InternLM）的設(shè)定，InternLM2包含7B及20B兩種參數(shù)規(guī)格及基座、對(duì)話等版本，滿足不同復(fù)雜應(yīng)用場(chǎng)景需求，繼續(xù)開(kāi)源，提供免費(fèi)商用授權(quán)。

回歸語(yǔ)言建模本質(zhì)，筑牢大模型能力基礎(chǔ)

大模型的研究應(yīng)回歸語(yǔ)言建模本質(zhì)，大模型各項(xiàng)性能提升的基礎(chǔ)在于語(yǔ)言建模能力的增強(qiáng)。為此，聯(lián)合團(tuán)隊(duì)提出了新一代的數(shù)據(jù)清洗過(guò)濾技術(shù)，通過(guò)更高質(zhì)量的語(yǔ)料以及更高的信息密度，筑牢大模型能力基礎(chǔ)。

主要發(fā)展了以下幾個(gè)方面的技術(shù)方法：

多維度數(shù)據(jù)價(jià)值評(píng)估：基于文本質(zhì)量、信息質(zhì)量、信息密度等維度對(duì)數(shù)據(jù)價(jià)值進(jìn)行綜合評(píng)估與提升；

高質(zhì)量語(yǔ)料驅(qū)動(dòng)的數(shù)據(jù)富集：利用高質(zhì)量語(yǔ)料的特征從物理世界、互聯(lián)網(wǎng)以及語(yǔ)料庫(kù)中進(jìn)一步富集類似語(yǔ)料；

針對(duì)性的數(shù)據(jù)補(bǔ)齊：針對(duì)性補(bǔ)充語(yǔ)料，重點(diǎn)加強(qiáng)現(xiàn)實(shí)世界知識(shí)、數(shù)理、代碼等核心能力。

目前，浦語(yǔ)背后的數(shù)據(jù)清洗過(guò)濾技術(shù)已經(jīng)歷三輪迭代升級(jí)。僅使用約60%的訓(xùn)練數(shù)據(jù)即可達(dá)到使用第二代數(shù)據(jù)訓(xùn)練1T tokens的性能表現(xiàn)，模型訓(xùn)練效率大幅提升。

第三代數(shù)據(jù)清洗過(guò)濾技術(shù)大幅度提升模型訓(xùn)練效率

基于第三代數(shù)據(jù)清洗過(guò)濾技術(shù)，InternLM2語(yǔ)言建模能力實(shí)現(xiàn)了顯著增強(qiáng)。

與第一代InternLM相比，InternLM2在大規(guī)模高質(zhì)量的驗(yàn)證語(yǔ)料上的Loss分布整體左移，表明其語(yǔ)言建模能力實(shí)質(zhì)性增強(qiáng)

支持200K超長(zhǎng)上下文，“大海撈針”近乎完美

長(zhǎng)語(yǔ)境輸入及理解能力能夠顯著拓展大模型應(yīng)用場(chǎng)景，比如支持大型文檔處理、復(fù)雜的推理演算和實(shí)際場(chǎng)景的工具調(diào)用等。然而，大模型有限的上下文長(zhǎng)度當(dāng)前仍是學(xué)界及業(yè)內(nèi)面臨的重要難題。通過(guò)拓展訓(xùn)練窗口大小和位置編碼改進(jìn)，InternLM2支持20萬(wàn) tokens的上下文，能夠一次性接受并處理約30萬(wàn)漢字（約五六百頁(yè)的文檔）的輸入內(nèi)容，準(zhǔn)確提取關(guān)鍵信息，實(shí)現(xiàn)長(zhǎng)文本中“大海撈針”。

參考業(yè)界范例，研究人員對(duì)InternLM2進(jìn)行了“大海撈針”試驗(yàn)：將關(guān)鍵信息隨機(jī)插入一段長(zhǎng)文本的不同位置并設(shè)置問(wèn)題，測(cè)試模型能否從中提取出關(guān)鍵信息。

InternLM2“大海撈針”試驗(yàn)效果

上圖展示了InternLM2在不同長(zhǎng)度的上下文（橫軸）及上下文中不同位置（縱軸）上召回關(guān)鍵信息的準(zhǔn)確率（Recall）。紅色代表較低的召回準(zhǔn)確率，而綠色則代表較高的召回率。試驗(yàn)結(jié)果表明，InternLM2在上下文長(zhǎng)度延展到200K時(shí)依舊保持了近乎完美的召回成功率，驗(yàn)證了InternLM2對(duì)于超長(zhǎng)上下文堅(jiān)實(shí)的支持能力。

為測(cè)試InternLM2在真實(shí)長(zhǎng)文本處理任務(wù)中的能力，研究人員將一份時(shí)長(zhǎng)3小時(shí)的公開(kāi)會(huì)議錄音轉(zhuǎn)錄稿輸入模型中，并要求InternLM2從中提取出關(guān)鍵信息。測(cè)試結(jié)果表明，盡管在未校對(duì)的文本中存在較多錯(cuò)別字，但I(xiàn)nternLM2仍從中準(zhǔn)確提煉出了關(guān)鍵信息，并總結(jié)了關(guān)鍵發(fā)言人的觀點(diǎn)。

InternLM2準(zhǔn)確總結(jié)“聯(lián)合國(guó)2023年10月2日召開(kāi)的聯(lián)合國(guó)貿(mào)易和發(fā)展會(huì)議會(huì)議記錄”

性能全面提升，綜合領(lǐng)先同量級(jí)開(kāi)源模型

InternLM2的各項(xiàng)能力獲得全面進(jìn)步，相比于初代InternLM，在推理、數(shù)學(xué)、代碼等方面的能力提升尤為顯著，綜合能力領(lǐng)先于同量級(jí)開(kāi)源模型。

根據(jù)大語(yǔ)言模型的應(yīng)用方式和用戶關(guān)注的重點(diǎn)領(lǐng)域，研究人員定義了語(yǔ)言、知識(shí)、推理、數(shù)學(xué)、代碼、考試等六個(gè)能力維度，在55個(gè)主流評(píng)測(cè)集上對(duì)多個(gè)同量級(jí)模型的表現(xiàn)進(jìn)行了綜合評(píng)測(cè)。評(píng)測(cè)結(jié)果顯示，InternLM2的輕量級(jí)及中量級(jí)版本性能在同量級(jí)模型中表現(xiàn)優(yōu)異。

InternLM2的輕量級(jí)及中量級(jí)版本性能在同量級(jí)開(kāi)源模型中表現(xiàn)優(yōu)異

下面的表格對(duì)比了InternLM2各版本與ChatGPT（GPT-3.5）以及GPT-4在典型評(píng)測(cè)集上的表現(xiàn)。可以看到，InternLM2只用20B參數(shù)的中等規(guī)模，即在整體表現(xiàn)上達(dá)到了與ChatGPT比肩的水平。其中，在AGIEval、 BigBench-Hard（BBH）、GSM8K、MATH等對(duì)推理能力有較高要求的評(píng)測(cè)上，InternLM2表現(xiàn)甚至優(yōu)于ChatGPT。

InternLM2與ChatGPT的評(píng)測(cè)結(jié)果對(duì)比

與此同時(shí)，綜合性能的增強(qiáng)，帶來(lái)了下游任務(wù)的全方位能力提升。新發(fā)布的InternLM2提供優(yōu)秀的對(duì)話及創(chuàng)作體驗(yàn)，支持多輪任務(wù)規(guī)劃及工具調(diào)用，并提供實(shí)用的數(shù)據(jù)分析能力。

對(duì)話及創(chuàng)作：更溫情、更富想象力

InternLM2不僅在客觀性能指標(biāo)上提升顯著，在主觀體驗(yàn)上也有明顯改善，可以為用戶提供優(yōu)秀的對(duì)話和交互體驗(yàn)。研究測(cè)試表明，InternLM2-Chat可以精準(zhǔn)地理解和遵循用戶意圖，具備較強(qiáng)的共情能力和豐富的結(jié)構(gòu)化創(chuàng)作能力。下面展示幾個(gè)示例：

示例一：在嚴(yán)格的格式要求下編制課程大綱

InternLM2設(shè)計(jì)的課程大綱精準(zhǔn)遵循用戶要求（比如格式、數(shù)量、內(nèi)容等）。

示例二：以富有人文關(guān)懷的回答開(kāi)解用戶

InternLM2能夠在對(duì)話中與用戶“共情”

示例三：展開(kāi)想象力，編寫《流浪地球3》的劇本

InternLM2設(shè)計(jì)的具備充滿豐富的合理想象，比如外星遺跡、量子糾纏的引入等。同時(shí)整個(gè)故事表現(xiàn)了人類面對(duì)危機(jī)時(shí)的勇氣和團(tuán)結(jié)精神。

對(duì)話和創(chuàng)造的體驗(yàn)進(jìn)步的原因，一方面是基礎(chǔ)語(yǔ)言能力的顯著增強(qiáng)，另一方面也得益于微調(diào)技術(shù)的提升。InternLM2進(jìn)行微調(diào)的過(guò)程使用了經(jīng)過(guò)第三代數(shù)據(jù)清洗過(guò)濾技術(shù)處理的指令微調(diào)語(yǔ)料，同時(shí)也采用了更強(qiáng)的Online RLHF。研究人員在微調(diào)InternLM2的過(guò)程中，對(duì)獎(jiǎng)勵(lì)模型和對(duì)話模型進(jìn)行了三輪迭代更新，每一輪更新均針對(duì)前一輪模型的表現(xiàn)更新偏好數(shù)據(jù)與提示詞。在獎(jiǎng)勵(lì)模型訓(xùn)練（RM）和近端策略優(yōu)化（PPO）階段，研究人員均衡采用各類提示詞，不僅提高了對(duì)話的安全性，也提升了用戶體驗(yàn)。

工具調(diào)用：能力升級(jí)，更精準(zhǔn)的工具選用，更可靠的多步規(guī)劃

基于更強(qiáng)大、更具泛化性的指令理解、工具篩選與結(jié)果反思等能力，InternLM2可支持復(fù)雜智能體的搭建，支持對(duì)工具進(jìn)行多輪有效調(diào)用及多步驟規(guī)劃，完成復(fù)雜任務(wù)。聯(lián)合團(tuán)隊(duì)針對(duì)多種任務(wù)構(gòu)建了細(xì)粒度工具調(diào)用評(píng)測(cè)集T-Eval（https://open-compass.github.io/T-Eval），InternLM2-Chat-7B在該評(píng)測(cè)集上表現(xiàn)超越了Claude-2.1和目前的開(kāi)源模型，性能接近GPT-3.5。

InternLM2工具調(diào)用能力全面提升

通過(guò)工具調(diào)用，使得大語(yǔ)言模型可通過(guò)搜索、計(jì)算、代碼解釋器等獲取知識(shí)并處理更復(fù)雜的問(wèn)題，從而拓展應(yīng)用邊界。研究人員對(duì)模型調(diào)用工具流程實(shí)施細(xì)粒度的拆解和分析，針對(duì)規(guī)劃、推理、工具選擇、理解、執(zhí)行、反思等步驟進(jìn)行了針對(duì)性增強(qiáng)和優(yōu)化。

基于InternLM2通過(guò)開(kāi)源智能體框架 Lagent搭建的用戶助手智能體，能夠在一次指令回應(yīng)中完成地圖查詢、路線規(guī)劃、發(fā)郵件等任務(wù)

數(shù)理推理：會(huì)做題，還會(huì)可視化分析

數(shù)學(xué)能力是大模型邏輯思維和推理能力的重要體現(xiàn)。上海AI實(shí)驗(yàn)室對(duì)InternLM2的數(shù)學(xué)能力進(jìn)行全面提升，使其達(dá)到當(dāng)前開(kāi)源模型的標(biāo)桿水平。

基于更加科學(xué)構(gòu)建的預(yù)訓(xùn)練語(yǔ)料，InternLM2形成了很強(qiáng)的內(nèi)生計(jì)算能力。在不依靠計(jì)算器等外部工具的情況下，在100以內(nèi)的簡(jiǎn)單數(shù)學(xué)運(yùn)算上能夠做到接近100%的準(zhǔn)確率，在1000以內(nèi)達(dá)到80%左右的運(yùn)算準(zhǔn)確率。在GSM8K和MATH評(píng)測(cè)中，InternLM2-20B的表現(xiàn)超過(guò)了ChatGPT（GPT-3.5）。

InternLM2在100以內(nèi)的簡(jiǎn)單數(shù)學(xué)運(yùn)算上能夠做到接近100%的準(zhǔn)確率

為應(yīng)對(duì)各類復(fù)雜計(jì)算，InternLM2-Chat還可借助代碼解釋器（Code-Interpreter）編寫代碼進(jìn)行計(jì)算，或?qū)ν评淼慕Y(jié)果進(jìn)行形式化驗(yàn)證，從而解決計(jì)算要求更高或者演算過(guò)程更加復(fù)雜的問(wèn)題。在典型的數(shù)學(xué)評(píng)測(cè)集 GSM8K 和 MATH 上，配合代碼解釋器，InternLM2取得了更高的評(píng)測(cè)分?jǐn)?shù)。其中對(duì)于難度更高的 MATH 數(shù)據(jù)集，InternLM2的計(jì)算精度從 32.5 大幅提升到 51.2，甚至超過(guò)了 GPT-4 的表現(xiàn)。