國產開源模型標桿大升級，重點能力比肩ChatGPT！書生·浦語2.0發布，支持免費商用
1月17日，新一代大語言模型書?·浦語2.0（InternLM2）正式發布并開源。
2種參數規格、3種模型版本，共計6個模型，全部免費可商用。
它支持200K超長上下文，可輕松讀200頁財報。200K文本全文范圍關鍵信息召回準確率達95.62%。
不借助任何外部工具，內生數理能力超過ChatGPT。配合代碼解釋器，可達到和GPT-4相仿水平。
同時還帶來工具多輪調用、更高共情等能力。
據了解，這些都得益于書生·浦語2.0在基礎建模能力上完成大幅升級，語料質量更高、信息密度更大。
所以，書生·浦語2.0帶來哪些升級？又是如何做到？
上海AI實驗室領軍科學家林達華教授，向我們披露了背后機密。
重點能力比肩ChatGPT
書生·浦語2.0共包含2種參數規格：7B和20B。
7B面向輕量級研究和應用，20B綜合性能更強可支持更復雜的使用場景。
每個規格中包含3個模型版本。
- InternLM2-Base
- InternLM2
- InternLM2-Chat
Base版本是2.0中新增加的版本，它是標準版InternLM2 在進行能力強化前的版本，更加基礎、可塑性也更高，因此更適合做探索研究。
標準版InternLM2是在Base基礎上，對多個能力進行強化。它的評測成績更好，同時保持了很好的通用語言能力，適合大部分應用。
Chat版本在Base基礎上經過SFT和RLHF，在對話能力上進行加強，具有很好的指令遵循、共情、調用工具等能力。
具體能力方面，相較于上一代，InternLM2核心加強了基礎語言建模能力。
可以看到兩代模型在大規模高質量驗證語料上的loss分布，第二代分布整體左移，表明語言建模能力實質性增強。
由此下游任務實現全方位提升，包括：
- 有效支持200K tokens超長上下文
- 支持復雜智能體搭建、工具多輪調用
- 內生數理能力超越ChatGPT
- 綜合性能處于同規模開源模型領先水平
InternLM2現在有效支持20萬字超長上下文，同時保持很高的信息召回成功率，相較于上一代提升明顯。
對InternLM2進行“大海撈針”實驗，通過將關鍵信息隨機插入一段長文本的不同位置構造問題，測試模型是否能從長文本中提取關鍵信息。
結果顯示，InternLM2-Chat召回準確率始終保持在高位，16K以內的平均準確率達到 95.65%。
在實際場景中，InternLM2可以處理長達3個小時的會議記錄、212頁長的財報內容。
內生計算能力也有大幅提升。
InternLM2在不依靠計算器等外部工具的情況下，可進行部分復雜數學題的運算和求解。
100以內數學運算上可做到接近100%準確率，1000以內達到80%準確率。
如果配合代碼解釋器，20B模型已可以求解積分等大學級別數學題。
工具調用方面，基于更強和更具有泛化性的指令理解、工具篩選與結果反思等能力，InternLM2可更可靠地支持復雜智能體搭建，支持工具進行有效多輪調用、完成復雜任務。
綜合性能方面，InternLM2在推理、數學、代碼方面表現突出。
不僅相較于上一代提升明顯，而且在標準測評集上，部分指標已經超越ChatGPT。
比如InternLM2-Chat-20B在MATH、GSM8K上，表現都超過ChatGPT。在配合代碼解釋器的條件下，則能達到和GPT-4相仿水平。
在AGIEval、 BigBench-Hard（BBH）等對推理能力有較高要求的評測上，新一代20B模型的表現優于ChatGPT。
同時InternLM2還和其他開源模型進行了全方位性能對比。
對比規格相近基座模型和對話模型，結果如下：
6B-7B基座模型對比
13B-20B基座模型對比
注：Mixtral-8x7B每次推理會激活約 13B 參數，而且這個模型近期也備受關注，因此其表現也列在此處作為參考。
6B-7B對話模型對比
13B-20B對話模型對比
從各項數據來看，InternLM2已經完成了全方位升級，給開源社區帶來了“ChatGPT級別”的大模型選擇。
那么它是如何做到的？技術上做了哪些創新？
核心在于提升數據質量
和許多大模型迭代升級的路線不同，InternLM2并沒有卷參數規模，而是把重點放在了數據方面。
上海AI實驗室領軍科學家林達華教授介紹，這是出于整體策略的考量。
提煉出一版非常好的數據后，它可以支持不同規格模型的訓練。所以首先把很大一部分精力花在數據迭代上，讓數據在一個領先的水平。在中輕量級模型上迭代數據，可以讓我們走得更快。
為此，上海AI實驗室研發了新一代數據清洗過濾體系，主要工作有3方面：
- 多維數據價值評估
- 高質量語料驅動的數據富集
- 有針對性的數據補齊
首先在數據價值評估上，基于語言質量、信息密度等維度對數據價值進行綜合評估與提升。比如研究團隊發現，論壇網頁上的評論給模型能力帶來的提升非常有限。
所以團隊利用高質量語料的特征從物理世界、互聯網以及語料庫中進一步富集更多類似語料。
這樣可以引導種子數據去匯聚真正有知識量的數據，加大它們的比重。
最后再針對性補充語料，重點加強世界知識、數理、代碼等核心能力。
為了打造新一代數據清洗體系，研究團隊訓練了三位數的模型數量。因為體系每一次迭代，都起碼需要訓一個7B規模上的大模型做驗證。
在新一代數據清洗技術的加持下，只使用約60%的訓練數據，即可達到上一版數據訓練1T tokens的性能表現。
另外，為了避免數據污染導致評測結果失真，InternLM2通過更嚴謹的訓練集構建流程，把各測試集排除在外，同時通過min-hash去重，去掉訓練語料中和測試集接近的部分。
當然，InternLM2不僅關注模型基座能力，也基于當下應用趨勢需求，針對一些下游任務能力做提升。
比如近來很火的超長上下文趨勢，林達華教授介紹工具調用、數理推理等場景都需要更長的長下文窗口。
所以InternLM2通過拓展訓練窗口大小和位置編碼改進，并找到足夠長且高質量、有結構以來關系的數據做訓練，同時優化訓練系統，將上下文窗口支持延長到了20萬tokens。
在大模型對話體驗方面，InternLM2采用Online RLHF，對獎勵模型和對話模型進行三輪迭代更新，在每一輪更新中對前一輪模型更新偏好數據和訓練prompt。
在獎勵模型訓練和PPO階段都平衡地采用各類prompt，使得模型在安全性進一步提升的情況下，對話的主觀體驗也顯著提升。
值得一提的是，研究團隊同步開源了InternLM2-Chat僅SFT和SFT+RLHF的權重，供社區分析對比RLHF前后模型的變化。
總結來看，對于InternLM2的升級迭代，上海AI實驗室核心關注模型基座能力，同時還結合大模型應用趨勢的需求，針對部分下游任務做重點提升。
在快速演進的趨勢里，這種清晰的思路很難得。
它需要團隊對技術有深入理解、對趨勢有準確判斷，能大幅提升大模型開發效率，加速模型迭代升級。
而上海AI實驗室能夠得出如此思路，與其大模型初心有關。
做真正高質量的開源
2023年世界人工智能大會上，書生·浦語大模型正式開源。
通過書生·浦語的高質量全方位開源開放，我們希望可以助力大模型的創新和應用，讓更多的領域和行業受惠于大模型變革的浪潮。
梳理來看，過去7個月里書生·浦語的一系列開源工作，徹底且全面。
范圍覆蓋通用大模型、專項任務大模型（書生·浦語靈筆）、全鏈條工具體系（貫穿數據、預訓練、微調、部署、評測、應用）、多模態預訓練語料（書生·萬卷）等。
為什么要這樣做？
上海AI實驗室領軍科學家林達華教授，給出了兩方面原因。
直接原因是大模型應用趨勢馬上到來，開源高質量基座大模型能縮短落地過程的中間鏈條。
林達華教授分析，無論是公眾還是商業領域，對大模型的耐心是有限度的。2024年大家必然會全力把大模型推向真正的應用落地。
做高質量基礎大模型，能夠讓基礎大模型在一個具體場景上做到應有水平，變得更方便、更迅速。
更加根本的底層原因在于，中國需要自己的高質量開源大模型。
大模型趨勢由ChatGPT開啟，但第二波高潮來自Meta開源LLaMA。它讓更多個人、機構、企業能進入到大模型領域，發展出豐富的應用，給整個技術生態帶來深刻影響。
但由于LLaMA在中文理解方面存在局限、以及合規性等方面的考慮，國內需要一個中文原生的高質量開源基座。
綜合各方面因素，學術界力量更能勝任這件事。
開源基座大模型不僅要保證質量高，更關鍵是要長期可持續。企業也能做開源，但是它天生存在商業訴求、關注點會逐漸從底層技術轉向商業應用，這本身無可厚非，所以需要上海人工智能實驗室能在這里發揮自己的價值。
加之學術圈無需考慮構建商業壁壘，因此讓開源更加徹底。
林達華教授介紹，上海AI實驗室在做大模型時會考慮應用方面需要的能力，與合作伙伴共同打造具有開創和示范性質的創新應用，而不是打造To C的商業化應用。。
比如近期升級發布的醫療多模態基礎模型群“浦醫2.0”。它由上海AI實驗室與上海交通大學醫學院附屬瑞金醫院等合作伙伴聯合發布，旨在為“跨領域、跨疾病、跨模態”的AI醫療應用提供能力支持。目前已經建設了智能影像診斷、數字病理科建設、數字人虛擬手術、智慧臨床決策、創新醫學科研五大應用場景。
這項工作同樣主打開源。最新升級中不僅加入了多個領先醫學大模型，新增5個開源數據集、新增評測模塊等，實現了醫療大模型群“產、學、研、用、評”一站式開源。
△浦醫2.0中的醫療基礎模型涵蓋病理、超聲、CT、MR、心電等多個醫療領域
透過這些實際開源腳步，即可洞察到當下趨勢正在發生哪些轉變，以及上海AI實驗室如何理解趨勢。
2024年被業內視為大模型應用落地元年。開年伊始，上海AI實驗室的動作更加聚焦應用層面。
林達華教授認為，2024年大模型領域的關鍵是，誰能找到大模型最具有可持續應用價值的場景。
這個應用價值可能并不是我們常見的那種交互形態，比如聊天APP。
我手機上裝了十幾個大模型對話APP，平均使用時長只有2個小時，因為它并不是我特別需要的應用。
所以對于整個業界來說，怎樣找到一個大家公認的、真正有用的場景，是一個比較大的挑戰。
一旦找到，大模型技術革命就會真正在歷史上沉淀下來。”
而想要走到這一步，底層基礎大模型是最根本、最關鍵的影響因素。
回歸到技術發展上，林達華教授對于2024年也給出了一些預測和判斷：
- 大模型基礎能力會逐漸收斂，之后模型間的關鍵區別在于誰的質量更高。
- 目前大模型領域任何趨勢熱度都不會超過3個月，比如超長上下文能力很快會成為各家大模型標配。
- 24年上半年會涌現一批開源多模態大模型。
- 當下MoE還只是初級設計，發展到最高效設計仍需一段時間。
- 24年國內很有希望出現比肩GPT-4的開源大模型。
總之，2024年，很有可能迎來開源大模型的高潮。
這不，開年第一槍已經由上海AI實驗室打響了。
書生·浦語2.0開源鏈接：https://github.com/InternLM/InternLM。
免費商用授權許可申請：https://wj.qq.com/s2/12725412/f7c1。
