书生·浦语大模型实战营学习笔记（一）

人工智能模型经历了从专用模型到通用大模型的转变。专用模型，如AlphaGo，针对特定任务，一个模型解决一个问题；通用大模型，如ChatGPT，能够应对多种任务、多种模态。因此，大模型成为发展通用人工智能的重要途径。

书生·浦语大模型的开源历程

书生·浦语 2.0（InternLM2）的体系

面向不同使用需求，每个规格包含三个模型版本：

• InternLM2-Base：高质量和具有很强可塑性的模型基座，是模型进行深度领域适配的高质量起点
• InternLM2：在Base基础上，在多个能力方向进行了强化，在评测中成绩优异，同时保持了很好的通用语言能力，是推荐在大部分应用中考虑选用的优秀基座
• InternLM2-Chat：在Base基础上，经过SFT和RLHF，面向对话交互进行了优化，具有很好的指令遵循、共情聊天和调用工具等能力

InternLM2 系列模型的特性

• 有效支持20万字超长上下文：模型在 20 万字长输入中几乎完美地实现长文“大海捞针”，而且在 LongBench 和 L-Eval 等长文任务中的表现也达到开源模型中的领先水平。 可以通过 LMDeploy 尝试20万字超长上下文推理。
• 综合性能全面提升：各能力维度相比上一代模型全面进步，在推理、数学、代码、对话体验、指令遵循和创意写作等方面的能力提升尤为显著，综合性能达到同量级开源模型的领先水平，在重点能力评测上 InternLM2-Chat-20B 能比肩甚至超越 ChatGPT （GPT-3.5）。
• 代码解释器与数据分析：在配合代码解释器（code-interpreter）的条件下，InternLM2-Chat-20B 在 GSM8K 和 MATH 上可以达到和 GPT-4 相仿的水平。基于在数理和工具方面强大的基础能力，InternLM2-Chat 提供了实用的数据分析能力。
• 工具调用能力整体升级：基于更强和更具有泛化性的指令理解、工具筛选与结果反思等能力，新版模型可以更可靠地支持复杂智能体的搭建，支持对工具进行有效的多轮调用，完成较复杂的任务。

从模型到应用

从书生·浦语大模型到智能客服、个人助手、行业应用的典型流程如图所示

书生·浦语全链条开源开放体系

• 数据：利用“书生·万卷”数据库，包含2TB的多模态数据，如文本、图像文本数据集和视频数据，以及OpenDataLab的开放数据平台
• 预训练：使用InterLM-Train框架，支持并行训练，以优化性能和效率
• 微调：提供XTuner高效微调框架，支持全参数微调，适用于各种硬件环境，能在2080显卡上微调7B模型
• 部署：LMDeploy框架支持大语言模型的高效部署，解决了内存开销大、动态Shape处理等技术挑战
• 评测：OpenCompass评测工具提供全方位的性能和能力测试，包括六大维度的评估
• 应用：提供Lagent和AgentLego智能体框架和工具箱，支持多模态应用和各类智能体的快速开发和部署

总结

书生·浦语大模型全链路开源体系是一个综合性的开源框架，用于开发和部署通用大模型，涵盖从数据准备、模型预训练、微调到部署和评估的完整流程。该体系通过提供不同规模的模型配置（从7B到128B参数模型），以及高效的训练和部署工具，使得开发者能够针对各种复杂场景设计和优化AI模型，同时也支持多模态数据处理和智能体的快速开发。