1月17日，商湯科技與上海AI實(shí)驗(yàn)室聯(lián)合香港中文大學(xué)和復(fù)旦大學(xué)正式發(fā)布新一代大語言模型書?·浦語2.0（InternLM2）。InternLM2 的核心理念在于回歸語言建模的本質(zhì)，致力于通過提高語料質(zhì)量及信息密度，實(shí)現(xiàn)模型基座語言建模能力質(zhì)的提升，進(jìn)而在數(shù)理、代碼、對(duì)話、創(chuàng)作等各方面都取得長足進(jìn)步，綜合性能達(dá)到開源模型的領(lǐng)先水平。
InternLM2是在2.6萬億token的高質(zhì)量語料上訓(xùn)練得到的。沿襲第一代書生·浦語（InternLM）的設(shè)定，InternLM2包含7B及20B兩種參數(shù)規(guī)格及基座、對(duì)話等版本，滿足不同復(fù)雜應(yīng)用場(chǎng)景需求，繼續(xù)開源，提供免費(fèi)商用授權(quán)。
回歸語言建模本質(zhì)，筑牢大模型能力基礎(chǔ)
大模型的研究應(yīng)回歸語言建模本質(zhì)，大模型各項(xiàng)性能提升的基礎(chǔ)在于語言建模能力的增強(qiáng)。為此，聯(lián)合團(tuán)隊(duì)提出了新一代的數(shù)據(jù)清洗過濾技術(shù)，通過更高質(zhì)量的語料以及更高的信息密度，筑牢大模型能力基礎(chǔ)。
主要發(fā)展了以下幾個(gè)方面的技術(shù)方法：
多維度數(shù)據(jù)價(jià)值評(píng)估：基于文本質(zhì)量、信息質(zhì)量、信息密度等維度對(duì)數(shù)據(jù)價(jià)值進(jìn)行綜合評(píng)估與提升；
高質(zhì)量語料驅(qū)動(dòng)的數(shù)據(jù)富集：利用高質(zhì)量語料的特征從物理世界、互聯(lián)網(wǎng)以及語料庫中進(jìn)一步富集類似語料；
針對(duì)性的數(shù)據(jù)補(bǔ)齊：針對(duì)性補(bǔ)充語料，重點(diǎn)加強(qiáng)現(xiàn)實(shí)世界知識(shí)、數(shù)理、代碼等核心能力。
目前，浦語背后的數(shù)據(jù)清洗過濾技術(shù)已經(jīng)歷三輪迭代升級(jí)。僅使用約60%的訓(xùn)練數(shù)據(jù)即可達(dá)到使用第二代數(shù)據(jù)訓(xùn)練1T tokens的性能表現(xiàn)，模型訓(xùn)練效率大幅提升。
第三代數(shù)據(jù)清洗過濾技術(shù)大幅度提升模型訓(xùn)練效率
基于第三代數(shù)據(jù)清洗過濾技術(shù)，InternLM2語言建模能力實(shí)現(xiàn)了顯著增強(qiáng)。
與第一代InternLM相比，InternLM2在大規(guī)模高質(zhì)量的驗(yàn)證語料上的Loss分布整體左移，表明其語言建模能力實(shí)質(zhì)性增強(qiáng)
支持200K超長上下文，“大海撈針”近乎完美
長語境輸入及理解能力能夠顯著拓展大模型應(yīng)用場(chǎng)景，比如支持大型文檔處理、復(fù)雜的推理演算和實(shí)際場(chǎng)景的工具調(diào)用等。然而，大模型有限的上下文長度當(dāng)前仍是學(xué)界及業(yè)內(nèi)面臨的重要難題。通過拓展訓(xùn)練窗口大小和位置編碼改進(jìn)，InternLM2支持20萬 tokens的上下文，能夠一次性接受并處理約30萬漢字（約五六百頁的文檔）的輸入內(nèi)容，準(zhǔn)確提取關(guān)鍵信息，實(shí)現(xiàn)長文本中“大海撈針”。
參考業(yè)界范例，研究人員對(duì)InternLM2進(jìn)行了“大海撈針”試驗(yàn)：將關(guān)鍵信息隨機(jī)插入一段長文本的不同位置并設(shè)置問題，測(cè)試模型能否從中提取出關(guān)鍵信息。
InternLM2“大海撈針”試驗(yàn)效果
上圖展示了InternLM2在不同長度的上下文（橫軸）及上下文中不同位置（縱軸）上召回關(guān)鍵信息的準(zhǔn)確率（Recall）。紅色代表較低的召回準(zhǔn)確率，而綠色則代表較高的召回率。試驗(yàn)結(jié)果表明，InternLM2在上下文長度延展到200K時(shí)依舊保持了近乎完美的召回成功率，驗(yàn)證了InternLM2對(duì)于超長上下文堅(jiān)實(shí)的支持能力。
為測(cè)試InternLM2在真實(shí)長文本處理任務(wù)中的能力，研究人員將一份時(shí)長3小時(shí)的公開會(huì)議錄音轉(zhuǎn)錄稿輸入模型中，并要求InternLM2從中提取出關(guān)鍵信息。測(cè)試結(jié)果表明，盡管在未校對(duì)的文本中存在較多錯(cuò)別字，但I(xiàn)nternLM2仍從中準(zhǔn)確提煉出了關(guān)鍵信息，并總結(jié)了關(guān)鍵發(fā)言人的觀點(diǎn)。
InternLM2準(zhǔn)確總結(jié)“聯(lián)合國2023年10月2日召開的聯(lián)合國貿(mào)易和發(fā)展會(huì)議會(huì)議記錄”
性能全面提升，綜合領(lǐng)先同量級(jí)開源模型
InternLM2的各項(xiàng)能力獲得全面進(jìn)步，相比于初代InternLM，在推理、數(shù)學(xué)、代碼等方面的能力提升尤為顯著，綜合能力領(lǐng)先于同量級(jí)開源模型。
根據(jù)大語言模型的應(yīng)用方式和用戶關(guān)注的重點(diǎn)領(lǐng)域，研究人員定義了語言、知識(shí)、推理、數(shù)學(xué)、代碼、考試等六個(gè)能力維度，在55個(gè)主流評(píng)測(cè)集上對(duì)多個(gè)同量級(jí)模型的表現(xiàn)進(jìn)行了綜合評(píng)測(cè)。評(píng)測(cè)結(jié)果顯示，InternLM2的輕量級(jí)及中量級(jí)版本性能在同量級(jí)模型中表現(xiàn)優(yōu)異。
InternLM2的輕量級(jí)及中量級(jí)版本性能在同量級(jí)開源模型中表現(xiàn)優(yōu)異
下面的表格對(duì)比了InternLM2各版本與ChatGPT（GPT-3.5）以及GPT-4在典型評(píng)測(cè)集上的表現(xiàn)。可以看到，InternLM2只用20B參數(shù)的中等規(guī)模，即在整體表現(xiàn)上達(dá)到了與ChatGPT比肩的水平。其中，在AGIEval、 BigBench-Hard（BBH）、GSM8K、MATH等對(duì)推理能力有較高要求的評(píng)測(cè)上，InternLM2表現(xiàn)甚至優(yōu)于ChatGPT。
InternLM2與ChatGPT的評(píng)測(cè)結(jié)果對(duì)比
與此同時(shí)，綜合性能的增強(qiáng)，帶來了下游任務(wù)的全方位能力提升。新發(fā)布的InternLM2提供優(yōu)秀的對(duì)話及創(chuàng)作體驗(yàn)，支持多輪任務(wù)規(guī)劃及工具調(diào)用，并提供實(shí)用的數(shù)據(jù)分析能力。
對(duì)話及創(chuàng)作：更溫情、更富想象力
InternLM2不僅在客觀性能指標(biāo)上提升顯著，在主觀體驗(yàn)上也有明顯改善，可以為用戶提供優(yōu)秀的對(duì)話和交互體驗(yàn)。研究測(cè)試表明，InternLM2-Chat可以精準(zhǔn)地理解和遵循用戶意圖，具備較強(qiáng)的共情能力和豐富的結(jié)構(gòu)化創(chuàng)作能力。下面展示幾個(gè)示例：
示例一：在嚴(yán)格的格式要求下編制課程大綱
InternLM2設(shè)計(jì)的課程大綱精準(zhǔn)遵循用戶要求（比如格式、數(shù)量、內(nèi)容等）。
示例二：以富有人文關(guān)懷的回答開解用戶
InternLM2能夠在對(duì)話中與用戶“共情”
示例三：展開想象力，編寫《流浪地球3》的劇本
InternLM2設(shè)計(jì)的具備充滿豐富的合理想象，比如外星遺跡、量子糾纏的引入等。同時(shí)整個(gè)故事表現(xiàn)了人類面對(duì)危機(jī)時(shí)的勇氣和團(tuán)結(jié)精神。
對(duì)話和創(chuàng)造的體驗(yàn)進(jìn)步的原因，一方面是基礎(chǔ)語言能力的顯著增強(qiáng)，另一方面也得益于微調(diào)技術(shù)的提升。InternLM2進(jìn)行微調(diào)的過程使用了經(jīng)過第三代數(shù)據(jù)清洗過濾技術(shù)處理的指令微調(diào)語料，同時(shí)也采用了更強(qiáng)的Online RLHF。研究人員在微調(diào)InternLM2的過程中，對(duì)獎(jiǎng)勵(lì)模型和對(duì)話模型進(jìn)行了三輪迭代更新，每一輪更新均針對(duì)前一輪模型的表現(xiàn)更新偏好數(shù)據(jù)與提示詞。在獎(jiǎng)勵(lì)模型訓(xùn)練（RM）和近端策略優(yōu)化（PPO）階段，研究人員均衡采用各類提示詞，不僅提高了對(duì)話的安全性，也提升了用戶體驗(yàn)。
工具調(diào)用：能力升級(jí)，更精準(zhǔn)的工具選用，更可靠的多步規(guī)劃
基于更強(qiáng)大、更具泛化性的指令理解、工具篩選與結(jié)果反思等能力，InternLM2可支持復(fù)雜智能體的搭建，支持對(duì)工具進(jìn)行多輪有效調(diào)用及多步驟規(guī)劃，完成復(fù)雜任務(wù)。聯(lián)合團(tuán)隊(duì)針對(duì)多種任務(wù)構(gòu)建了細(xì)粒度工具調(diào)用評(píng)測(cè)集T-Eval（https://open-compass.github.io/T-Eval），InternLM2-Chat-7B在該評(píng)測(cè)集上表現(xiàn)超越了Claude-2.1和目前的開源模型，性能接近GPT-3.5。
InternLM2工具調(diào)用能力全面提升
通過工具調(diào)用，使得大語言模型可通過搜索、計(jì)算、代碼解釋器等獲取知識(shí)并處理更復(fù)雜的問題，從而拓展應(yīng)用邊界。研究人員對(duì)模型調(diào)用工具流程實(shí)施細(xì)粒度的拆解和分析，針對(duì)規(guī)劃、推理、工具選擇、理解、執(zhí)行、反思等步驟進(jìn)行了針對(duì)性增強(qiáng)和優(yōu)化。
基于InternLM2通過開源智能體框架 Lagent搭建的用戶助手智能體，能夠在一次指令回應(yīng)中完成地圖查詢、路線規(guī)劃、發(fā)郵件等任務(wù)
數(shù)理推理：會(huì)做題，還會(huì)可視化分析
數(shù)學(xué)能力是大模型邏輯思維和推理能力的重要體現(xiàn)。上海AI實(shí)驗(yàn)室對(duì)InternLM2的數(shù)學(xué)能力進(jìn)行全面提升，使其達(dá)到當(dāng)前開源模型的標(biāo)桿水平。
基于更加科學(xué)構(gòu)建的預(yù)訓(xùn)練語料，InternLM2形成了很強(qiáng)的內(nèi)生計(jì)算能力。在不依靠計(jì)算器等外部工具的情況下，在100以內(nèi)的簡單數(shù)學(xué)運(yùn)算上能夠做到接近100%的準(zhǔn)確率，在1000以內(nèi)達(dá)到80%左右的運(yùn)算準(zhǔn)確率。在GSM8K和MATH評(píng)測(cè)中，InternLM2-20B的表現(xiàn)超過了ChatGPT（GPT-3.5）。
InternLM2在100以內(nèi)的簡單數(shù)學(xué)運(yùn)算上能夠做到接近100%的準(zhǔn)確率
為應(yīng)對(duì)各類復(fù)雜計(jì)算，InternLM2-Chat還可借助代碼解釋器（Code-Interpreter）編寫代碼進(jìn)行計(jì)算，或?qū)ν评淼慕Y(jié)果進(jìn)行形式化驗(yàn)證，從而解決計(jì)算要求更高或者演算過程更加復(fù)雜的問題。在典型的數(shù)學(xué)評(píng)測(cè)集 GSM8K 和 MATH 上，配合代碼解釋器，InternLM2取得了更高的評(píng)測(cè)分?jǐn)?shù)。其中對(duì)于難度更高的 MATH 數(shù)據(jù)集，InternLM2的計(jì)算精度從 32.5 大幅提升到 51.2，甚至超過了 GPT-4 的表現(xiàn)。
InternLM2與ChatGPT的數(shù)學(xué)能力評(píng)測(cè)結(jié)果對(duì)比
下面的示例展示了InternLM2可以和代碼解釋器結(jié)合解決較復(fù)雜的高等數(shù)學(xué)問題。
InternLM2能夠完成積分求解等高等數(shù)學(xué)題目
基于在計(jì)算及工具調(diào)用方面強(qiáng)大的基礎(chǔ)能力，InternLM2在語言模型中具備了數(shù)據(jù)分析和可視化實(shí)用能力，進(jìn)一步貼近用戶使用場(chǎng)景。
向InternLM2輸入國家統(tǒng)計(jì)局公布的“2023年3-11月份規(guī)模以上工業(yè)企業(yè)主要財(cái)務(wù)指標(biāo)（分行業(yè)）”，InternLM2能夠分析數(shù)據(jù)并繪制折線圖