书生·浦语大模型全链路开源体系（陈恺|上海人工智能实验室 青年科学家）-听课笔记

• 书生·浦语大模型系列- 轻量级：InternLM-7B - 70亿模型参数- 1000亿训练token数据- 长语境能力，支持8K语境窗口长度- 通用工具调用能力，多种工具调用模板- 中量级：InternLM-20B - 200亿模型参数，在模型能力与推理代价间取得平衡- 采用深而窄的结果，降低推理计算量但提高推理能力- 4K训练语境长度，推理时可外推至16K- 重量级：1230亿模型参数，强大的性能 - 极强推理能力、全面的知识覆盖面、超级理解能力与对话能力- 准确的API调用能力，可实现各类Agent
• 从模型到应用流程- 浦语大模型全链路开源体系生态- 数据：书生·万卷 - 2TB数据，涵盖多种模态与任务- 预训练：InternLM-Train - 并行训练，极致优化速度达到3600 Tokens/sec/gpu- 微调：XTuner - 支持全参数微调- 支持LoRA等低成本微调- 部署：LMDeploy - 全链路部署，性能领先- 每秒生成2000+tokens- 评测：OpenCompass - 全方位评测，性能可复现80套评测集，40万道题目- 应用： - Legent（轻量级智能体框架）：搭建简单的智能体- AgentLego：支持多种智能体，支持代码解释器等多种工具
• 全链路开源开放体系|数据- 文本数据：50亿个文档，数据量超1TB- 图像-文本数据集：超2200万个文件，数据量超140GB- 视频数据：超1000个文件，数据量超900GB- 特点： - 多模态融合：万卷包含文本、图像和视频等多模态数据，涵盖科技、文学、媒体、教育和法律等多个领域。该数据集对模型的知识内容、逻辑推理和泛化能力的提升有显著提升。- 精细化处理：万卷经过语言筛选、文本提取、格式标准化、数据过滤和清洗（基于规则和模型）、多尺度去重和数据质量评估等精细数据处理环节，能够很好地适应后续模型训练的要求- 价值观对齐：在万卷的构建过程中，研究人员注重将数据内容与主流中国价值观进行对齐，并通过算法和人工评估的结合提高语料库的纯净度。
• 全链路开源开放体系|预训练- 高可扩展：支持从8卡到千卡训练，千卡加速效率达92%。- 极致性能优化：Hybrid Zero独特技术+极致优化，加速50%- 兼容主流：无缝接入HuggingFace等技术生态，支持各类轻量化技术- 开箱即用：支持多种规格语言模型，修改配置即可训练
• 全链路开源开放体系|微调- 增量续训 - 使用场景：让基座模型学习到一些新知识，如某个垂类领域知识- 训练数据：文章、书籍、代码等- 有监督微调 - 使用场景：让模型学会理解和遵循各种指令，或者注入少量领域知识- 训练数据：高质量对话、问答数据

高效微调框架：XTuner

• 全链路开源开放体系|微调- OpenCompass评测体系

• 全链路开源开放体系|部署- 大语言模型特点 - 内存开销巨大 - 庞大的参数量- 采用自回归生成token,需要缓存k/v- 动态Shaps - 请求数不固定- token逐个生成，且数量不定- 模型结构相对简单 - transformer结构，大部分是decoder-only- 技术挑战 - 设备- 低存储设备：消费级显卡、移动端等如何部署？- 推理- 如何加速token的生成速度- 如何解决动态shape，让推理可以不间断- 如何有效管理和利用内存- 服务- 提升系统整体吞吐量- 降低请求的平均响应时间- 部署方案 - 技术点 - 模型并行- 低比特量化- Atterntion优化- 计算和访存优化- Continuous Batching- 解决方案-LMDeploy
• 全链路开源开放体系|智能体- 轻量级智能体Lagent- 多模态智能体工具箱AgentLego- 丰富的工具集合，尤其是提供了大量视觉、多模态相关领域的前沿算法功能- 支持多个主流智能体系统，如LangChain,Transformers Agent，Lagent等- 灵活的多模态工具调用接口，可以轻松支持各类输入输出格式的工具函数- 一键式远程工具部署，轻松使用和调试大模型智能体