前言

本文为书生·浦语大模型实战营的课程笔记系列第一节，课程地址：https://www.bilibili.com/video/BV1Rc411b7ns/

从专用模型到通用大模型

在过去，人工智能领域的发展一直遵循着一个基本原则：一个模型对应一个场景或者任务。然而，随着技术的进步和需求的增长，这一格局正在发生深刻的变化。如今，我们正迈向一个新的时代，一个模型不再局限于一个场景或任务，而是可以应用于多个场景、多模态的复杂环境中。

书生·浦语大模型发展历程

书生·浦语大模型的发展历程彰显了这一变革的重要性。它从轻量级的7B社区模型，逐步升级到中量级的20B商业模型，再到重量级的123B全场景模型。这一演进不仅仅是在模型规模上的提升，更是对多模态、多场景应用需求的积极响应。

InterLM-20B：全面领先的开源模型

InterLM-20B是一款千亿参数级别的开源模型，其性能在全球范围内处于领先地位。与相近规模的Llama-33B、Llama2-13B以及国内主流的7B、13B开源模型相比，InterLM-20B在不足三分之一的参数量下，却达到了Llama2-70B的水平。

从模型到应用：六个关键步骤

第一步：模型选型

在应用场景中，根据多个大模型的相关维度进行能力比较，并进行模型评测。初步选型后，可确定意向大模型。

第二步：评估业务场景复杂度

• 业务场景简单： 如果业务场景不太复杂，可以直接将选定的模型应用于场景中。
• 业务场景复杂： 对于复杂场景，通常直接使用开源模型难以满足需求，需要进一步微调、进行prompt工程等构建工作。

第三步：判断微调策略

• 全参数微调： 若算力足够，可以进行全参数微调，提高模型性能。
• 部分参数微调： 如果算力受限，只能进行部分参数微调，固定大部分参数，调整一小部分参数。

第四步：构建智能体

• 模型与环境交互： 考虑模型与环境的交互，特别是如果需要调用外部API或与已有业务数据库交互，则需要构建智能体。
• 无环境交互： 如果模型在业务场景中不需要与环境进行交互，可以直接将微调好的模型应用于场景。

第五步：模型评测与应用上线

• 模型评测： 进行模型评测，确保在实际场景中表现良好。
• 上线或迭代： 根据评测结果，决定是否上线应用或者继续迭代模型。

第六步：模型部署

考虑软件系统相关性能、安全、功能等方面内容：

• 资源优化： 考虑如何以更少的资源部署模型。
• 吞吐量提升： 提升整个应用的吞吐量，确保在生产环境中的性能表现。

这六个步骤构成了从选择模型到应用部署的全链条，确保在实际应用中大模型能够充分发挥作用。

书生-浦语全链条开源开放体系

书生·浦语大模型打破了传统的人工智能应用模式，提出了全链条开源开放体系。这一体系涵盖了从数据到预训练、微调、部署、评测到应用的全过程，为通用人工智能的实现提供了完整的解决方案。数据（书生·万卷）作为起点，经过IntermLM-Train的预训练，使用XTuner进行微调，通过LMDeploy实现部署，通过OpenCompass进行全面评测，最终应用在Lagent构建的多模态智能体中。

这一全链条开源开放体系，为大模型的发展提供了创新性的方法，促使人工智能更好地服务于多样化的现实需求。

数据：覆盖多模态和任务

全链条开源体系以书生-万卷为基础，涵盖了多模态和多任务的数据需求，为模型的学习提供了全面支持。

OpenDataLab：开放数据平台

OpenDataLab作为开放数据平台，不仅包含丰富多样的开放数据，还为大模型的发展提供了数据支持和实验平台。

预训练：并行训练，极致优化

InterLM采用并行训练的方式，通过极致优化实现了高效的预训练，为模型的通用性奠定基础。

微调：XTuner，支持全参数微调，支持Lora等低成本微调

微调阶段使用XTuner工具，支持全参数微调，同时还支持诸如Lora等低成本微调方法，使模型更好地适应各种特定任务。

特性：

• 增量续训：让基座模型学习新知识，垂直领域
• 有监督微调：让模型学会理解和遵循各种指令。一般采用全量参数微调和部分参数微调等方法。
• 多种微调算法：多种微调策略与算法，覆盖各类SFT场景。
• 适配多种开源生态：支持加载HuggingFace、ModelScope模型或者数据级
• 自动优化加速：开发者无需关注复杂的显存优化和计算加速细节

部署：LMDeploy，全链路部署，性能领先

LMDeploy提供了全链路部署的解决方案，包括模型轻量化、推理和服务，使得大模型在GPU上的部署更加高效，性能领先。

评测：OpenCompass，全方位评测，性能可以复现，全球领先的大模型开源评测体系

评测阶段使用OpenCompass工具，全方位评测模型性能，保证了评测结果的复现性，成为全球领先的大模型开源评测体系。

特性：

• 丰富模型支持：开源模型、API模型一站式评测。
• 分布式高效评测：支持千亿参数模型在海量数据集上分布式评测。
• 便捷的数据集接口：支持社区用户根据自身需求快速添加自定义数据集。
• 敏捷的能力迭代：每周更新大模型能力榜单。

应用：Legent、AgentLego 支持多种智能体，支持代码解释器和多种工具

最终，模型的应用在Legent和AgentLego等多种智能体中得以体现，支持代码解释器和多种工具，实现了多模态智能体的灵活应用。

特性：

• 丰富的工具集合，尤其是提供了大量视觉、多模态相关领域的工具。
• 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。

相关链接：

• 书生·浦语大模型实战营地址：https://github.com/InternLM/tutorial
• 书生·万卷开源地址：https://github.com/opendatalab/WanJuan1.0
• InternLM开源地址：https://github.com/InternLM/InternLM
• XTuner开源地址：https://github.com/InternLM/xtuner
• LMDeploy开源地址：https://github.com/InternLM/lmdeploy
• OpenCompass开源地址：https://github.com/open-compass/opencompass
• OpenDataLab地址：https://opendatalab.org.cn/
• OpenDataLab开源地址：https://github.com/opendatalab