2023年6月，InternLM的第一代大模型正式发布。仅一个月后，该模型以及其全套工具链被开源。随后，在8月份，多模态语料库chat7B和lagent也被开源。而在接下来的9月份，InternLM20B的开源发布进一步加强了全线工具链的更新。最终，2024年1月17日，InternLM2也正式开源。
InternLM2提供了两种不同参数量级的模型，分别是7B（Billion）和20B。前者更轻量级，适用于一般性应用，而后者则能够支持更复杂的场景。
每个参数规格都包含三种不同的模型版本：
- InternLM2-Base：基座模型，提供了基本的功能和性能。
- InternLM2：在基座模型的基础上进行了多方面的增强。
- InternLM2-Chat：在基座模型的基础上，通过SFT（Supervised Fine-Tuning，监督微调）和RLHF（基于人类反馈的强化学习）进行了人类对齐，专门针对对话交互场景进行了优化。
模型预训练方面的信息如下：
-
数据集：
- 书生·万卷1.0：包含2TB的多模态数据。
- 书生·万卷CC：包含400GB的多源数据，质量高且覆盖长时间跨度。
-
预训练框架：采用Intern-Train框架，支持从8卡到千卡的加速。开箱即用：只需修改配置文件，即可开始预训练。
-
模型微调框架：使用Xtuner框架。
-
增量续训：支持增量学习，能够在保持模型旧知识的条件下注入新知识。
-
有监督微调：通过少量的领域知识进行微调，使模型更好地适应特定领域场景。
-
智能体构建：采用Lagent框架，支持多种能力，包括react、reward和autogpt，并适配多种模型。简单易扩展：内置多模态工具箱AgentLego，便于扩展。
-
模型评测：采用OpenCompass，在适配了100多个评测集的基础上进行循环评测，包括数据污染检查、模型推理接入、长文本能力评测和中英文双语主观评测。
-
模型部署：使用LMDeploy进行部署。
-
模型轻量化：支持4bit权重，以减小模型的大小。
-
推理引擎：支持pytorch、turbomind以及并行优化。
-
部署服务：采用openai-server和gradio。
模型预训练框架
InternEvo
- 高效训练框架：InternEvo是一个专为InternLM2设计的高效训练框架，它支持大规模并行训练，包括数据、张量、序列和管道并行，以及Zero Redundancy Optimizer（ZeRO）技术，以优化内存使用和计算效率。
- GPU资源高效利用：InternEvo通过减少通信规模和使用适应性分片技术，有效地降低了GPU间的通信成本，实现了在保持高吞吐量的同时，随着GPU数量增加，模型FLOPs利用率（MFU）保持稳定。
- 适应性硬件管理：框架能够根据训练规模调整硬件资源，支持256,000 tokens的长序列训练，并通过内存管理技术如统一内存管理和内存池来减少碎片，确保在处理长文本时的内存效率。
- 故障容忍性：针对GPU数据中心的挑战，InternEvo设计了故障容忍系统，包括实时备份和恢复机制，确保在硬件故障时能快速恢复训练，减少数据丢失。
- 交互式训练：在RLHF阶段，InternEvo支持多模型的交互式训练，通过与Ray的集成，构建了一个灵活且可扩展的框架，支持不同模型执行引擎和算法设计，确保了训练过程的高效性。
- Model Structure：
InternLM2基于Transformer架构，但采用了LLaMA的设计改进，如使用RMSNorm和SwiGLU，以提高训练效率和性能。模型结构的标准化和兼容性设计使其与LLaMA等其他知名模型系列兼容，同时保持了高效性。
训练
资料中介绍了InternLM2的预训练过程，包括数据处理、模型结构和训练设置。
- 预训练数据
- 文本数据：网页、论文、专利和书籍，经过标准化、过滤、格式化和安全检查，确保数据质量。
- 代码数据：收集自GitHub等平台，通过统一格式化和质量筛选，确保编程语言相关数据的高质量。
- 长文本数据：针对长文本数据，进行长度筛选、统计分析和复杂性过滤，以提高数据质量并减少冗余。
分词(Tokenization)：选择GPT-4的tokenization方法，结合中文和编程语言的特性，构建了容量为100,256的词汇表。
超参数设置：包括模型的层数、维度、头数等，以及学习率、优化器类型和衰减策略。见下图
预训练的不同阶段
- 4k 文本训练：主要阶段，使用不超过4096字节的文本进行训练。
- 长文本训练：扩展到32,000字节的上下文，采用GQA技术和长序列处理技术。
- 特定能力提升训练：针对特定能力的增强训练，使用精心筛选的高质量数据集。
对齐
InternLM2模型如何与人类观念靠近,使模型具备对世界知识有内在理解，对事物的偏好把握对齐人类
有监督微调（SFT，Supervised Fine-Tuning）： 使用1000万高质量的指令数据进行微调，以确保其能够理解和执行各种任务，如对话、NLP任务和数学问题。
COOL RLHF
Conditional OnLine RLHF
- 条件奖励模型（Conditional Reward Model）：引入了条件系统提示，允许模型根据特定条件动态调整对不同偏好（如帮助性和无害性）的关注，解决了偏好冲突问题
- 在线人类反馈强化学习(Online RLHF)：使用最近邻策略优化（PPO，Proximal Policy Optimization）使模型与条件奖励模型得到人类偏好对齐，其通过快速路径（快速修复奖励模型）和慢速路径（长期奖励模型优化）两者的结合，提高了模型的稳定性和可靠性。
PPO训练细节
- 长文本微调： 在SFT和RLHF阶段继续使用长文本数据，确保模型在处理长序列任务时的性能。
- 工具增强：
- 通用工具调用：引入了“environment”角色，支持通用工具调用，如代码解释器和外部插件，以增强模型处理工具相关任务的能力。
- 代码解释器：将Python代码解释器作为工具，与特定的指令格式结合，用于解决数学问题，如RICO(Reasoning Interleaved with Coding)策略，通过迭代式学习提高模型的数学问题解决能力。
