书生·浦语大模型全链路开源体系+InternLM2技术报告
InternLM 实战营第二期（第一节）
为了帮助社区用户高效掌握和广泛应用大模型技术，我们重磅推出书生·浦语大模型实战营系列活动，旨在为开发者们提供全面而系统的大模型技术学习课程。加入我们，一起深入大模型全流程，从零搭建 RAG、多模态和智能体应用。
此句话摘自GitHub 书生·浦语大模型实战营(第二期)课程，GitHub 地址请点击，书生·浦语大模型实战营(第二期)
本次课程链接在GitHub上：书生·浦语大模型实战营(第二期)
第一次课程录播B站链接：书生·浦语大模型全链路开源体系_哔哩哔哩_bilibili
InternLM2技术报告：InternLM2.pdf
2024年1月，上海 AI Lab正式发布书生 · 浦语 2.0（InternLM2），包括1.8B、7B 及 20B 两种参数规格及Base、Chat等多个版本
InternLM2_Base：高质量、强可塑性的基座模型
InternLM2：在Base基础上，在多个能力进行了强化，更优秀的基座模型
Chat-SFT：在Base基础上，经过有监督微调SFT后的对话模型
InternLM2-Chat：在Chat-SFT基础上，再经过RLHF对齐后的对话模型
各个平台的开源地址
GitHub：GitHub
HuggingFace：HuggingFace
ModelScope：ModelScope
OpenXLab：OpenXLab
回归语言建模的本质
众所周知，数据质量目前是对于LLM性能提升的最重要的因素。InternLM2 的核心理念在于回归语言建模的本质，通过提高语料质量及信息密度，实现base model在语言建模能力上的质的提升。
开源数据集平台OpenDataLab：OpenDataLab
高质量语料：
主要亮点
相比较于1代的InternLM，2代的InterLM2实现了全方位的性能提升（吊打）
- 20w上下文
- 推理数学代码能力提升
- 结构化创作
- 工具调用能力
- 内生计算、代码解释
性能全方位提升
对于其他参数量类似的开源模型，基本是全方位的超越，特别是推理、数学、代码等方面的能力提升尤为显著
除了上面的量化指标，还有人文关怀、想象力创作、工具调用能力等，都实现了提升
强大的计算能力
这个比较有趣，InternLM2的数学计算能力已经很强了，在此基础上，再配合代码解释器，更上一层楼
比如对于难度更高的MATH数据集，借助代码解释器，精度从32.5大幅提高到51.2，甚至超过了GPT-4的表现
除此之外，还有实用的数据分析：可以读表格，分析数据、绘制统计图表、调用机器学习算法等
从模型到应用
从现实场景中大模型应用的全流程，包括从 模型选型 到 模型部署，引出了：开源了什么环节？如何进行开源？
全方位全流程的开源，数据-预训练-微调-部署-评测-应用，拉满
微调
笔者对于微调比较感兴趣，开源的高效微调框架XTuner，一站式解决繁琐的步骤，比如：
- 支持多种任务（增量预训练, 指令微调）
- 支持多种输入数据的格式
- 支持优化加速（Flash Attention, DeepSpeed）
- 支持多种微调算法（LoRA, QLoRA, 全量微调）
Agent
另外对于Agent方向，开源提供了Lagent（应该类似于字节的coze和百度的灵境）和工具箱AgentLego。
智能体工具箱和框架本身做了解耦，让开发者可以聚焦于Agent本身
InternLM2技术报告笔记
InternLM2技术报告：InternLM2.pdf
综述
报告介绍了InternLM2，一个开源的LLM，包括基础设施、模型结构、预训练数据、预训练设置、预训练阶段、对齐策略、评估和分析以及结论。它在6个维度和30个基准的全面评估中超越了先前的方法，通过创新的预训练和优化技术在长序列建模和开放性主观评估方面表现出色。InternLM2的预训练过程详细阐述，特别强调了对文本、代码和长序列数据的多样化准备。InternLM2有效地捕捉长期依赖性，预训练阶段从4k个token开始，然后在预训练和微调阶段扩展到32k个，其在200k“大海捞针”测试中的表现尤为显著。InternLM2还通过监督微调（SFT）和一种新颖的基于人类反馈的条件在线强化学习（Conditional Online RLHF）策略进行进一步校准，以解决人类偏好冲突和奖励滥用问题。通过发布不同训练阶段和模型大小的InternLM2模型，为社区提供了模型演进的洞察。
主要贡献
1. 公开发布InternLM2：开源了不同规模的模型（包括18亿、70亿和200亿参数），它们在主观和客观评估中都表现出色。此外，发布了不同阶段的模型，以便社区分析SFT和RLHF训练后的变化。
2. 设计具有200k上下文窗口：InternLM2在长序列任务中表现出色，在大海捞针实验中使用200k上下文几乎完美地识别出所有”针”。此外，分享了在所有阶段（预训练、SFT和RLHF)训练长序列语言模型的经验。
3. 全面的数据准备指南：详细阐述了数据准备，包括预训练数据、领域特定增强数据、SFT数据和RLHF数据。这些详细内容将有助于社区更好地训练LLMs。
4. 创新的RLHF训练技术：引入了条件在线RLHF（COOL RLHF），以协调不同的偏好，显著提高了InternLM2在各种主观对话评估中的性能。还进行了初步的主观和客观RLHF结果的分析和比较，为社区提供了RLHF的深入理解。）
训练框架InternEvo
- InternEvo可以在千个GPU上扩展模型训练，这是通过data并行、tensor并行、sequence并行和pipeline并行的组合实现的。
- 训练框架采用Zero Redundancy Optimizer (ZeRO)策略，显著减少了GPU内存占用。
- 引入了FlashAttention技术和混合精度训练方法（如BF16），提高硬件利用率。
- InternEvo展现了在训练过程中的强大扩展能力，即使在增加GPU数量时也能保持较高的模型浮点运算效率（MFU）。
- 为了减少分布式训练中的通信开销，InternEvo采用了适应性分片技术，优化了模型状态（参数、梯度、优化器状态）在GPU间的分布。
模型架构
总体遵循LLaMA的结构设计原则，沿用了RMSNorm和SwiGLU激活函数，除此之外
- 对模型中的权重矩阵如Wk, Wq, Wv进行了调整，以支持不同的张量并行转换，并提高训练速度。
- 为了支持长上下文，采用了分组查询注意力 (GQA)结构，以便在处理非常长的上下文时保持高速和低GPU显存消耗。
预训练数据
预训练数据包括文本数据、代码数据、超长上下文数据
文本数据预处理流程：jsonl格式化 --> 去重 --> 去乱码 --> 去有害 --> 去广告 --> 去低质
代码数据预处理流程：md格式化 --> 去重 --> 去低质 --> 依赖排序
超长上下文数据预处理：长文本选择 --> 统计过滤 --> 上下文关联性过滤
预训练阶段
- 4k长度的预训练语料库，有助于模型掌握基本的文本理解和生成能力。
- 32k长度的预训练语料库，提高对长期依赖关系的捕捉能力。
- 能力特定增强训练，如编程、推理和考试等，进一步提升了模型在这些领域的性能。
对齐阶段
Supervised Fine-Tuning
使用了一个包含1000万条指令数据实例的dataset，确保其有用性和无害性。包括一般对话、自然语言处理任务、数学问题、代码生成和函数调用等。为了实现对各种任务的灵活表示，将数据样本转换为 ChatML 格式(Cha)。7B和20B模型分别使用AdamW优化器，初始学习率为4e-5，进行了一个epoch的训练。
Conditional Online RLHF
和传统的RLHF相比，主要有两点改进：
-
条件奖励模型：该模型能够根据不同的上下文条件、提示词调整其关注的偏好，解决不同任务和场景下的偏好冲突。例如，在开发对话系统时，我们期望它提供有用的信息（有益）同时避免产生有害或不适当的内容（无害）。然而，实践中这两个偏好往往难以同时满足，因为提供有用信息可能在某些情况下涉及敏感或高风险的内容。
-
多轮在线RLHF策略：使模型能够快速适应新的人类反馈，减少模型的“reward hacking”行为。例如，当模型规模增大，策略变得更强大时，模型可能会通过捷径来获取高分，而不是真正学习期望的行为。这导致模型以非预期的方式最大化奖励，严重影响语言模型的有效性和可靠性。
COOL RLHF的奖励模型需要经过PPO训练，以便能够理解各种反馈，并将其转化为奖励信号.
Long-Context Finetuning
为了保持大模型的长文本理解能力，依然使用了长文本（32k）来做SFT和RLHF
Tool-Augmented LLMs
采用经过修改的ChatML格式，通过引入“环境”角色，以支持通用工具的调用。定义了两个特殊关键字，即代码解释器(<|interpreter|>)和外部插件(<|plugin|>)，以支持agent的多样化用途。采用一种统一的流式格式，处理各种类型的插件扩展和AI环境，同时保持与普通聊天的兼容性。
总结
- 超高的数据质量及预处理过程，使得pretrain阶段和alignment阶段都受益。
- 高质量长文本预料，提升了长文本处理能力。
- 高效的训练框架，优化训练过程。
- 新颖的RLHF策略，提高与人类指令的一致性。
1270
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
