第二期书生浦语大模型实战营第一次作业（大模型技术报告解读）

书生·浦语大模型全链路开源体系

上海人工智能实验室与商汤科技联合香港中文大学、复旦大学发布新一代大语言模型书生·浦语2.0（InternLM2）。这个大模型包含70亿和200亿两种参数规格，以及基座、对话等版本，向全社会开源并提供免费商用授权。

书生·浦语2.0（英文名：InternLM2）核心理念：回归语言建模的本质，致力于通过提高语料质量及信息密度，实现模型基座语言建模能力获得质的提升，进而在数理、代码、对话、创作等各方面都取得长足进步，综合性能达到同量级开源模型的领先水平。InternLM2是在2.6万亿token的高质量语料上训练得到的。沿袭第一代书生·浦语（InternLM）的设定，InternLM2包含7B及20B两种参数规格及基座、对话等版本，满足不同复杂应用场景需求。秉持“以高质量开源赋能创新”理念，上海AI实验室继续提供InternLM2免费商用授权。

各个平台的开源地址

GitHub：github.com/InternLM/InternLM

HuggingFace：huggingface.co/internlm

ModelScope：modelscope.cn/organization/Shanghai_AI_Laboratory

OpenXLab：openxlab.org.cn/models/InternLM

2023年6月7日正式上线千亿大模型InternLM，2024年1月17日InternLM2开源

模型的的关键还是高质量的语言文本，包括评估、高质量语料富集以及相关的语料的补齐

 

在同量级的开源模型处于领先地位

可以进行复杂工具的调用

配合代码解释器后，数学、代码、推理等能力大幅提升

模型到应用的典型流程

针对这个流程，书生浦语开发了全流程，可以便捷调用

开源的多维的语料数据库 ，可以自由寻找需要的数据集
OpenDataLab 引领AI大模型时代的开放数据平台https://opendatalab.org.cn/

可以使用微调方式，减小算力开销，比如模仿Lora的方法进行微调，可以较高性价比的提高模型的力

包括增量续训和有监督微调，同时发布微调框架XTuner，可以适配多种微调算法和开源生态，覆盖多场景。

LMDeploy是一个全面的开源平台，是一个高效部署、优化和管理机器学习模型及其在GPU加速系统上的推理工作流程。它的目标是为开发者提供一个全链条、开放且高性能的解决方案。

 

InternLM2技术报告

摘要

这篇技术报告主要在介绍预训练和优化技术，其中数据准备包括文本、代码和长上下文本数据，训练微调技术主要为监督微调（SFT）和在线强化学习（COOL RLHF）策略。

介绍

大语言模型开发阶段：

1. 预训练
2. 监督微调（SFT）
3. 人类反馈的强化学习

预训练中，数据的质量是最关键的因素，数据处理发挥重要作用。本文详细介绍了包括为预训练准备文本、代码和长文本数据。

在处理延长LLM的上下文长度中，采用分组查询注意力（GQA）来在推断长序列时减少内存占用。预训练阶段，先使用4k训练，再过渡到高质量的32k文本处理。

监督微调（SFT）和基于人类反馈的强化学习（RLHF）部分，构建了相应的32k文本，确保高效遵循人类指令。还引入了COOLRLHF），条件奖励模型来协调多样但可能冲突的偏好，并通过多轮Proximal Policy Optimization（PPO）来缓解每个阶段出现的奖励作弊问题。

模型贡献关键亮点：

1. 不同规模的模型（包括18亿、70亿和200亿参数）
2. 200k上下文窗口
3. 数据训练指南
4. RLHF技术

基础设施

训练框架InternEvo,针对预训练、SFT和RLHF。

InternLM2模型架构基于LLaMA，LLaMA在Transformer架构基础上进行了改进，将LayerNorm替换为RMSNorm，并采用作为激活函数。同时模型在Wk、Wq和Wv矩阵合并并且重新配置了矩阵布局，增加速度和灵活性。为了处理长文本，使用了分组查询注意力（GQA）。

预训练

文本数据可以根据来源分为网页、论文、专利和书籍，通过转为特定格式，以JSON格式储存，转为预训练数据集。接下来处理步骤包括：基于规则的过滤、数据去重、安全过滤和质量过滤。

        预训练数据

1.文本数据数据处理流程

格式化数据（JSON）清洗数据去重数据（MinHash）安全数据（过滤器）高质量预训练数据

 

2.代码数据

格式清理（markdown）代码去重质量筛选（评分器模型）依赖排序

3.长文本数据

数据过滤管道，长度过滤、统计过滤和语言模型困惑度过滤。

        预训练设置

1.分词

GPT4分词方法，参考cl100k词汇表

2.预训练超参数

AdamW优化器和余弦退火学习率衰减策略

        预训练阶段

用于预训练1.8B、7B和20B模型的总tokens量范围从2.0万亿到2.6万亿。

1.  4k文本训练

2.长文本训练

模型从4k过渡到32k训练

3.特定能力的增强训练

从来自Hugging Face数据集平台（https://huggingface.co/datasets）的高质量检索数据和各种开源数据中，筛选出来一个丰富的训练集，共24Btoken。使用小批次和较小的学习率进行学习。

最后，模型在编码、推理、问答和考试等任务上表现出显著性能提升。

模型微调

监督微调（SFT）和基于人类反馈的强化学习（RLHF）两个阶段

        监督微调（SFT）

数据样本转换为 ChatML 格式(Cha)进行学习

        基于人类反馈的强化学习（RLHF）

条件在线RLHF（COOL RLHF） COOL RLHF首先引入条件奖励机制来调和多样化的偏好，使奖励模型可以根据特定条件动态地将注意力分配给不同的偏好，从而最优地整合多个偏好。此外，COOL RLHF采用多轮在线RLHF策略，使语言模型能够快速适应新的人类反馈，减少奖励作弊的发生。

        条件奖励模型

条件奖励模型能够无缝融合不同领域（如对话、文章写作、诗歌、摘要、编程、数学和格式化输出）的数据，可以适应不同场景的不同场景的多样化偏好。

        Online RLHF

两条路径：快速路径和慢速路径。

快速路径在于快速识别并修复奖励模型中的"奖励滥用"(reward hacking)行为，慢速路径目标是长期持续优化奖励模型,特别是提高高奖励区域的可靠性和鲁棒性。最后可以动态调整和优化奖励模型，从而增强使用人类反馈训练的语言模型的整体性能和可靠性。

         PPO Training

过程中使用了4个模型:行为模型(Actor)、价值模型(Critic)、参考模型(Reference)和奖励模型(Reward)。在训练过程中,后两个模型被冻结,只训练前两个模型。

  总结

本报告阐述了InternLM2的训练过程，包括训练框架、预训练文本数据、预训练代码数据、预训练长文本数据和对齐数据。在创新技术上，针对强化学习后训练（RLHF）过程中遇到的偏好冲突，提出了条件在线RLHF方法，以协调不同的偏好。

附录

一些有意思的提示词prompt示例