最近，AI大模型測(cè)評(píng)火熱，尤其在大語(yǔ)言模型領(lǐng)域，“聰明”的上限被不斷刷新。

商湯與上海AI實(shí)驗(yàn)室等聯(lián)合打造的大語(yǔ)言模型“書生·浦語(yǔ)”（InternLM）也表現(xiàn)出色，分別在智源FlagEval大語(yǔ)言模型評(píng)測(cè)8月排行榜和中文通用大模型綜合性評(píng)測(cè)基準(zhǔn)SuperCLUE 7月評(píng)測(cè)榜兩項(xiàng)業(yè)內(nèi)權(quán)威大模型評(píng)測(cè)榜單中獲得優(yōu)異成績(jī)。

“FlagEval是知名人工智能新型研發(fā)機(jī)構(gòu)北京智源人工智能研究院推出的大模型評(píng)測(cè)體系及開放平臺(tái)。FlagEval大模型評(píng)測(cè)體系構(gòu)建了“能力-任務(wù)-指標(biāo)”三維評(píng)測(cè)框架，可視化呈現(xiàn)評(píng)測(cè)結(jié)果，總計(jì)600+評(píng)測(cè)維度，包括22個(gè)主觀、客觀評(píng)測(cè)數(shù)據(jù)集，84433道評(píng)測(cè)題目。除知名的公開數(shù)據(jù)集 HellaSwag、MMLU、C-Eval外，F(xiàn)lagEval還集成了包括智源自建的主觀評(píng)測(cè)數(shù)據(jù)集Chinese Linguistics & Cognition Challenge (CLCC)，北京大學(xué)等單位共建的詞匯級(jí)別語(yǔ)義關(guān)系判斷、句子級(jí)別語(yǔ)義關(guān)系判斷、多義詞理解、修辭手法判斷評(píng)測(cè)數(shù)據(jù)集。”

“SuperCLUE是由創(chuàng)立于2019年的CLUE學(xué)術(shù)社區(qū)最新發(fā)布的中文通用大模型綜合性評(píng)測(cè)基準(zhǔn)，包含SuperCLUE-Opt客觀題測(cè)試、SuperCLUE-Open主觀題測(cè)試、SuperCLUE-LYB瑯琊榜用戶投票的匿名對(duì)戰(zhàn)測(cè)試三大基準(zhǔn)組成。為更好地反映國(guó)內(nèi)大模型與國(guó)際領(lǐng)先大模型間的差距和優(yōu)勢(shì)，SuperCLUE選取了多個(gè)國(guó)內(nèi)外有代表性的可用模型進(jìn)行評(píng)測(cè)，同時(shí)由于其數(shù)據(jù)集保密性高，對(duì)大模型來說是‘閉卷考試’，減少了模型訓(xùn)練數(shù)據(jù)混入評(píng)測(cè)數(shù)據(jù)的可能性。此外，SuperCLUE還通過自動(dòng)化評(píng)測(cè)方式測(cè)試不同模型效果，可一鍵對(duì)大模型進(jìn)行評(píng)測(cè)，相對(duì)更客觀。”

“書生·浦語(yǔ)”：不僅善于考試，還是開源大模型中的佼佼者

“書生·浦語(yǔ)”，是商湯科技、上海AI實(shí)驗(yàn)室聯(lián)合香港中文大學(xué)、復(fù)旦大學(xué)及上海交通大學(xué)打造的大語(yǔ)言模型，具有千億參數(shù)，在包含1.8萬億token的高質(zhì)量語(yǔ)料上訓(xùn)練而成。

今年6月，“書生·浦語(yǔ)”聯(lián)合團(tuán)隊(duì)曾選取20余項(xiàng)評(píng)測(cè)進(jìn)行檢驗(yàn)，包括全球最具影響力的四個(gè)綜合性考試評(píng)測(cè)。結(jié)果顯示，“書生·浦語(yǔ)”在綜合性考試中表現(xiàn)突出，在多項(xiàng)中文考試中超越ChatGPT。（詳情可參考「AI考生今日抵達(dá)，商湯與上海AI實(shí)驗(yàn)室等發(fā)布“書生·浦語(yǔ)”大模型」報(bào)道）

7月，“書生·浦語(yǔ)”正式開源70億參數(shù)的輕量級(jí)版本InternLM-7B。

（https://github.com/InternLM/InternLM）

后續(xù)又推出升級(jí)版對(duì)話模型InternLM-Chat-7B v1.1，成為首個(gè)具有代碼解釋能力的開源對(duì)話模型，能根據(jù)需要靈活調(diào)用Python解釋器等外部工具，解決復(fù)雜數(shù)學(xué)計(jì)算等任務(wù)的能力顯著提升。

此外，該模型還可通過搜索引擎獲取實(shí)時(shí)信息，提供具有時(shí)效性的回答。

在北京智源人工智能研究院FlagEval大語(yǔ)言模型評(píng)測(cè)體系8月最新排行榜中， “InternLM-chat-7B”和“InternLM-7B”分別在監(jiān)督微調(diào)模型（SFT Model）榜單、基座模型（Base Model）榜單中取得第一和第二名。

“InternLM-chat-7B”還刷新中英客觀評(píng)測(cè)記錄。

「什么是“基座模型”、“有監(jiān)督微調(diào)模型”？」

基座模型（Base Model）是經(jīng)過海量數(shù)據(jù)預(yù)訓(xùn)練（Pre-train）得到的，它具備一定的通用能力，比如：GPT-3。

有監(jiān)督微調(diào)模型（SFT Model）則是經(jīng)過指令微調(diào)數(shù)據(jù)（包含了各種與人類行為及情感相關(guān)的指令和任務(wù)的數(shù)據(jù)集）訓(xùn)練后得到的，具備了與人類流暢對(duì)話的能力，如：ChatGPT。

普遍的觀點(diǎn)認(rèn)為，基座模型在很大程度上決定了微調(diào)模型的能力。

因此，F(xiàn)lagEval大語(yǔ)言模型評(píng)測(cè)體系針對(duì)基座模型的評(píng)測(cè)主要從“提示學(xué)習(xí)評(píng)測(cè)”和“適配評(píng)測(cè)”兩方面進(jìn)行；針對(duì)有監(jiān)督微調(diào)模型的評(píng)測(cè)則從“復(fù)用針對(duì)基座模型的客觀評(píng)測(cè)” 進(jìn)一步增加“引入主觀評(píng)測(cè)”。

此次兩個(gè)榜單中，“InternLM-chat-7B”和“InternLM-7B”均表現(xiàn)出優(yōu)異的綜合性能，超越備受關(guān)注的Llama2-chat-13B/7B和Llama2-13B/7B。

特別在SFT Model測(cè)試中，InternLM-chat-7B中文能力大幅領(lǐng)先同時(shí)，英文能力也與對(duì)手保持在相近水平，展現(xiàn)出更強(qiáng)的實(shí)用性能。

SuperCLUE評(píng)測(cè)從基礎(chǔ)能力、專業(yè)能力、中文特性能力三個(gè)不同維度對(duì)國(guó)內(nèi)外通用大模型產(chǎn)品進(jìn)行評(píng)價(jià)，考察大模型在70余個(gè)任務(wù)上的綜合表現(xiàn)。

“書生·浦語(yǔ)”InternLM-chat-7B在7月公布SuperCLUE評(píng)測(cè)榜單中表現(xiàn)出色，在SuperCLUE-Opt開源大模型榜單拔得頭籌。

作為SuperCLUE綜合性三大基準(zhǔn)之一，SuperCLUE-Opt評(píng)測(cè)基準(zhǔn)每期有3700+道客觀題（選擇題），由基礎(chǔ)能力（10個(gè)子任務(wù)）、中文特性能力（10個(gè)子任務(wù)）、學(xué)術(shù)專業(yè)能力（50+子任務(wù)）組成，采用封閉域測(cè)試方式。

相比第二名ChatGLM2-6B，InternLM-chat-7B主要在學(xué)術(shù)專業(yè)方面取得較大領(lǐng)先，同時(shí)全面領(lǐng)先于第三名Baichuan-13B-Chat。