上海人工智能实验室发布新一代开源模型“书生·浦语”2.0：测评能力赶超ChatGPT，支持免费商用

2024-12-30 11:47:34 | 来源: AICG工具箱

1月17日，上海人工智能实验室发布的新一代大语言模型“书⽣·浦语”2.0（InternLM2）正式发布并开源。2种参数规格、3种模型版本，共计6个模型，全部免费可商用。

它支持200K超长上下文，可轻松读200页财报。200K文本全文范围关键信息召回准确率达95.62%。

不借助任何外部工具，内生数理能力超过ChatGPT。配合代码解释器，可达到和GPT-4相仿水平。

同时还带来工具多轮调用、更高共情等能力。

据了解，这些都得益于“书⽣·浦语”2.0在基础建模能力上完成大幅升级，语料质量更高、信息密度更大。所以，“书⽣·浦语”2.0带来哪些升级？又是如何做到？

上海AI实验室领军科学家林达华教授，向我们披露了背后机密。

重点能力比肩ChatGPT

“书⽣·浦语”2.0共包含2种参数规格：7B和20B。7B面向轻量级研究和应用，20B综合性能更强可支持更复杂的使用场景。

每个规格中包含3个模型版本。

InternLM2-BaseInternLM2InternLM2-Chat

Base版本是2.0中新增加的版本，它是标准版InternLM2 在进行能力强化前的版本，更加基础、可塑性也更高，因此更适合做探索研究。

标准版InternLM2是在Base基础上，对多个能力进行强化。它的评测成绩更好，同时保持了很好的通用语言能力，适合大部分应用。

Chat版本在Base基础上经过SFT和RLHF，在对话能力上进行加强，具有很好的指令遵循、共情、调用工具等能力。

具体能力方面，相较于上一代，InternLM2核心加强了基础语言建模能力。

可以看到两代模型在大规模高质量验证语料上的loss分布，第二代分布整体左移，表明语言建模能力实质性增强。

由此下游任务实现全方位提升，包括：

有效支持200K tokens超长上下文支持复杂智能体搭建、工具多轮调用内生数理能力超越ChatGPT综合性能处于同规模开源模型领先水平

InternLM2现在有效支持20万字超长上下文，同时保持很高的信息召回成功率，相较于上一代提升明显。

对InternLM2进行“大海捞针”实验，通过将关键信息随机插入一段长文本的不同位置构造问题，测试模型是否能从长文本中提取关键信息。

结果显示，InternLM2-Chat召回准确率始终保持在高位，16K以内的平均准确率达到 95.65%。

在实际场景中，InternLM2可以处理长达3个小时的会议记录、212页长的财报内容。

内生计算能力也有大幅提升。

InternLM2在不依靠计算器等外部工具的情况下，可进行部分复杂数学题的运算和求解。100以内数**算上可做到接近100%准确率，1000以内达到80%准确率。

如果配合代码解释器，20B模型已可以求解积分等大学级别数学题。

工具调用方面，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，InternLM2可更可靠地支持复杂智能体搭建，支持工具进行有效多轮调用、完成复杂任务。

综合性能方面，InternLM2在推理、数学、代码方面表现突出。不仅相较于上一代提升明显，而且在标准测评集上，部分指标已经超越ChatGPT。

比如InternLM2-Chat-20B在MATH、GSM8K上，表现都超过ChatGPT。在配合代码解释器的条件下，则能达到和GPT-4相仿水平。

在AGIEval、 BigBench-Hard(BBH)等对推理能力有较高要求的评测上，新一代20B模型的表现优于ChatGPT。

同时InternLM2还和其他开源模型进行了全方位性能对比。

对比规格相近基座模型和对话模型，结果如下：

6B-7B基座模型对比

13B-20B基座模型对比

注：Mixtral-8x7B每次推理会激活约13B参数，而且这个模型近期也备受关注，因此其表现也列在此处作为参考。

6B-7B对话模型对比

13B-20B对话模型对比

从各项数据来看，InternLM2已经完成了全方位升级，给开源社区带来了“ChatGPT级别”的大模型选择。

那么它是如何做到的？技术上做了哪些创新?

核心在于提升数据质量

和许多大模型迭代升级的路线不同，InternLM2并没有卷参数规模，而是把重点放在了数据方面。上海AI实验室领军科学家林达华教授介绍，这是出于整体策略的考量。

提炼出一版非常好的数据后，它可以支持不同规格模型的训练。所以首先把很大一部分精力花在数据迭代上，让数据在一个领先的水平。在中轻量级模型上迭代数据，可以让我们走得更快。

为此，上海AI实验室研发了新一代数据清洗过滤体系，主要工作有三个方面：

**数据价值评估高质量语料驱动的数据富集有针对性的数据补齐

首先在数据价值评估上，基于语言质量、信息密度等维度对数据价值进行综合评估与提升。比如研究团队发现，论坛网页上的评论给模型能力带来的提升非常有限。

所以团队利用高质量语料的特征从物理世界、互联网以及语料库中进一步富集更多类似语料。这样可以引导种子数据去汇聚真正有知识量的数据，加大它们的比重。

最后再针对性补充语料，重点加强世界知识、数理、代码等核心能力。

为了打造新一代数据清洗体系，研究团队训练了三位数的模型数量。因为体系每一次迭代，都起码需要训一个7B规模上的大模型做验证。

在新一代数据清洗技术的加持下，只使用约60%的训练数据，即可达到上一版数据训练1T tokens的性能表现。

另外，为了避免数据污染导致评测结果失真，InternLM2通过更严谨的训练集构建流程，把各测试集排除在外，同时通过min-hash去重，去掉训练语料中和测试集接近的部分。

当然，InternLM2不仅关注模型基座能力，也基于当下应用趋势需求，针对一些下游任务能力做提升。

比如近来很火的超长上下文趋势，林达华教授介绍工具调用、数理推理等场景都需要更长的长下文窗口。

所以InternLM2通过拓展训练窗口大小和位置编码改进，并找到足够长且高质量、有结构以来关系的数据做训练，同时优化训练系统，将上下文窗口支持延长到了20万tokens。

在大模型对话体验方面，InternLM2采用Online RLHF，对奖励模型和对话模型进行三轮迭代更新，在每一轮更新中对前一轮模型更新偏好数据和训练prompt。

在奖励模型训练和PPO阶段都平衡地采用各类prompt，使得模型在安全性进一步提升的情况下，对话的主观体验也显著提升。

值得一提的是，研究团队同步开源了InternLM2-Chat仅SFT和SFT+RLHF的权重，供社区分析对比RLHF前后模型的变化。

总结来看，对于InternLM2的升级迭代，上海AI实验室核心关注模型基座能力，同时还结合大模型应用趋势的需求，针对部分下游任务做重点提升。

在快速演进的趋势里，这种清晰的思路很难得。它需要团队对技术有深入理解、对趋势有准确判断，能大幅提升大模型开发效率，加速模型迭代升级。

上一篇： Midjourney V6生图超进化！国外大神深度测评：对比V5.2版本，画质逼真骇人，人像细节不再有「AI感」 下一篇： Runway发布全新多重运动笔刷技能：AI视频“图生视频”可控性的高能进化！轻松复刻《黑客帝国》子弹瞬间