商訊推薦

支持200K超長上下文、一次可讀30萬漢字，“書生·浦語”2.0正式開源

2024-01-17 15:26:52

1月17日，商湯科技與上海AI實驗室聯(lián)合香港中文大學和復旦大學正式發(fā)布新一代大語言模型書?·浦語2.0（InternLM2）。InternLM2的核心理念在于回歸語言建模的本質，致力于通過提高語料質量及信息密度，實現(xiàn)模型基座語言建模能力質的提升，進而在數(shù)理、代碼、對話、創(chuàng)作等各方面都取得長足進步，綜合性能達到開源模型的領先水平。

InternLM2是在2.6萬億token的高質量語料上訓練得到的。沿襲第一代書生·浦語（InternLM）的設定，InternLM2包含7B及20B兩種參數(shù)規(guī)格及基座、對話等版本，滿足不同復雜應用場景需求，繼續(xù)開源，提供免費商用授權。

開源鏈接

Github：https://github.com/InternLM/InternLM

HuggingFace：https://huggingface.co/internlm

ModelScope：https://modelscope.cn/organization/Shanghai_AI_Laboratory

回歸語言建模本質，筑牢大模型能力基礎

大模型的研究應回歸語言建模本質，大模型各項性能提升的基礎在于語言建模能力的增強。為此，聯(lián)合團隊提出了新一代的數(shù)據(jù)清洗過濾技術，通過更高質量的語料以及更高的信息密度，筑牢大模型能力基礎。

主要發(fā)展了以下幾個方面的技術方法：

多維度數(shù)據(jù)價值評估：基于文本質量、信息質量、信息密度等維度對數(shù)據(jù)價值進行綜合評估與提升；

高質量語料驅動的數(shù)據(jù)富集：利用高質量語料的特征從物理世界、互聯(lián)網(wǎng)以及語料庫中進一步富集類似語料；

針對性的數(shù)據(jù)補齊：針對性補充語料，重點加強現(xiàn)實世界知識、數(shù)理、代碼等核心能力。

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

第三代數(shù)據(jù)清洗過濾技術大幅度提升模型訓練效率

基于第三代數(shù)據(jù)清洗過濾技術，InternLM2語言建模能力實現(xiàn)了顯著增強。

與第一代InternLM相比，InternLM2在大規(guī)模高質量的驗證語料上的Loss分布整體左移，表明其語言建模能力實質性增強

支持200K超長上下文，“大海撈針”近乎完美

長語境輸入及理解能力能夠顯著拓展大模型應用場景，比如支持大型文檔處理、復雜的推理演算和實際場景的工具調用等。然而，大模型有限的上下文長度當前仍是學界及業(yè)內(nèi)面臨的重要難題。通過拓展訓練窗口大小和位置編碼改進，InternLM2支持20萬tokens的上下文，能夠一次性接受并處理約30萬漢字（約五六百頁的文檔）的輸入內(nèi)容，準確提取關鍵信息，實現(xiàn)長文本中“大海撈針”。

參考業(yè)界范例，研究人員對InternLM2進行了“大海撈針”試驗：將關鍵信息隨機插入一段長文本的不同位置并設置問題，測試模型能否從中提取出關鍵信息。

InternLM2“大海撈針”試驗效果

上圖展示了InternLM2在不同長度的上下文（橫軸）及上下文中不同位置（縱軸）上召回關鍵信息的準確率（Recall）。紅色代表較低的召回準確率，而綠色則代表較高的召回率。試驗結果表明，InternLM2在上下文長度延展到200K時依舊保持了近乎完美的召回成功率，驗證了InternLM2對于超長上下文堅實的支持能力。

為測試InternLM2在真實長文本處理任務中的能力，研究人員將一份時長3小時的公開會議錄音轉錄稿輸入模型中，并要求InternLM2從中提取出關鍵信息。測試結果表明，盡管在未校對的文本中存在較多錯別字，但InternLM2仍從中準確提煉出了關鍵信息，并總結了關鍵發(fā)言人的觀點。

InternLM2準確總結“聯(lián)合國2023年10月2日召開的聯(lián)合國貿(mào)易和發(fā)展會議會議記錄”

性能全面提升，綜合領先同量級開源模型

InternLM2的各項能力取得全面進步，相比于初代InternLM，在推理、數(shù)學、代碼等方面的能力提升尤為顯著，綜合能力領先于同量級開源模型。

根據(jù)大語言模型的應用方式和用戶關注的重點領域，研究人員定義了語言、知識、推理、數(shù)學、代碼、考試六個能力維度，在55個主流評測集上對多個同量級模型的表現(xiàn)進行了綜合評測。評測結果顯示，InternLM2的輕量級及中量級版本性能在同量級模型中表現(xiàn)優(yōu)異。

InternLM2的輕量級及中量級版本性能在同量級開源模型中表現(xiàn)優(yōu)異

下面的表格對比了InternLM2各版本與ChatGPT（GPT-3.5）以及GPT-4在典型評測集上的表現(xiàn)?？梢钥吹剑琁nternLM2只用20B參數(shù)的中等規(guī)模，即在整體表現(xiàn)上達到了與ChatGPT比肩的水平。其中，在AGIEval、BigBench-Hard（BBH）、GSM8K、MATH等對推理能力有較高要求的評測上，InternLM2表現(xiàn)甚至優(yōu)于ChatGPT。

InternLM2與ChatGPT的評測結果對比

與此同時，綜合性能的增強，帶來了下游任務的全方位能力提升。新發(fā)布的InternLM2提供優(yōu)秀的對話及創(chuàng)作體驗，支持多輪任務規(guī)劃及工具調用，并提供實用的數(shù)據(jù)分析能力。

對話及創(chuàng)作：更溫情、更富想象力

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

示例一：在嚴格的格式要求下編制課程大綱

InternLM2設計的課程大綱精準遵循用戶要求（比如格式、數(shù)量、內(nèi)容等）。

示例二：以富有人文關懷的回答開解用戶

InternLM2能夠在對話中與用戶“共情”

示例三：展開想象力，編寫《流浪地球3》的劇本

InternLM2設計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。同時整個故事表現(xiàn)了人類面對危機時的勇氣和團結精神。

對話和創(chuàng)造的體驗進步的原因，一方面是基礎語言能力的顯著增強，另一方面也得益于微調技術的提升。InternLM2進行微調的過程使用了經(jīng)過第三代數(shù)據(jù)清洗過濾技術處理的指令微調語料，同時也采用了更強的Online RLHF。研究人員在微調InternLM2的過程中，對獎勵模型和對話模型進行了三輪迭代更新，每一輪更新均針對前一輪模型的表現(xiàn)更新偏好數(shù)據(jù)與提示詞。在獎勵模型訓練（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，不僅提高了對話的安全性，也提升了用戶體驗。

工具調用：能力升級，更精準的工具選用，更可靠的多步規(guī)劃

基于更強大、更具泛化性的指令理解、工具篩選與結果反思等能力，InternLM2可支持復雜智能體的搭建，支持對工具進行多輪有效調用及多步驟規(guī)劃，完成復雜任務。聯(lián)合團隊針對多種任務構建了細粒度工具調用評測集T-Eval（https://open-compass.github.io/T-Eval），InternLM2-Chat-7B在該評測集上表現(xiàn)超越了Claude-2.1和目前的開源模型，性能接近GPT-3.5。

InternLM2工具調用能力全面提升

通過工具調用，使得大語言模型可通過搜索、計算、代碼解釋器等獲取知識并處理更復雜的問題，從而拓展應用邊界。研究人員對模型調用工具流程實施細粒度的拆解和分析，針對規(guī)劃、推理、工具選擇、理解、執(zhí)行、反思等步驟進行了針對性增強和優(yōu)化。

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

數(shù)理推理：會做題，還會可視化分析

數(shù)學能力是大模型邏輯思維和推理能力的重要體現(xiàn)。上海AI實驗室對InternLM2的數(shù)學能力進行全面提升，使其達到當前開源模型的標桿水平。

基于更加科學構建的預訓練語料，InternLM2形成了很強的內(nèi)生計算能力。在不依靠計算器等外部工具的情況下，在100以內(nèi)的簡單數(shù)學運算上能夠做到接近100%的準確率，在1000以內(nèi)達到80%左右的運算準確率。在GSM8K和MATH評測中，InternLM2-20B的表現(xiàn)超過了ChatGPT（GPT-3.5）。

InternLM2在100以內(nèi)的簡單數(shù)學運算上能夠做到接近100%的準確率

為應對各類復雜計算，InternLM2-Chat還可借助代碼解釋器（Code-Interpreter）編寫代碼進行計算，或對推理的結果進行形式化驗證，從而解決計算要求更高或者演算過程更加復雜的問題。在典型的數(shù)學評測集GSM8K和MATH上，配合代碼解釋器，InternLM2取得了更高的評測分數(shù)。其中對于難度更高的MATH數(shù)據(jù)集，InternLM2的計算精度從32.5大幅提升到51.2，甚至超過了GPT-4的表現(xiàn)。