最近，AI大模型測評火熱，尤其在大語言模型領(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)合打造的大語言模型“書生·浦語”（InternLM）也表現(xiàn)出色，分別在智源FlagEval大語言模型評測8月排行榜和中文通用大模型綜合性評測基準(zhǔn)SuperCLUE 7月評測榜兩項業(yè)內(nèi)權(quán)威大模型評測榜單中獲得優(yōu)異成績。

“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測體系及開放平臺。FlagEval大模型評測體系構(gòu)建了“能力-任務(wù)-指標(biāo)”三維評測框架，可視化呈現(xiàn)評測結(jié)果，總計600+評測維度，包括22個主觀、客觀評測數(shù)據(jù)集，84433道評測題目。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測數(shù)據(jù)集Chinese Linguistics & Cognition Challenge (CLCC)，北京大學(xué)等單位共建的詞匯級別語義關(guān)系判斷、句子級別語義關(guān)系判斷、多義詞理解、修辭手法判斷評測數(shù)據(jù)集?！?/p>

“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測基準(zhǔn)，包含SuperCLUE-Opt客觀題測試、SuperCLUE-Open主觀題測試、SuperCLUE-LYB瑯琊榜用戶投票的匿名對戰(zhàn)測試三大基準(zhǔn)組成。為更好地反映國內(nèi)大模型與國際領(lǐng)先大模型間的差距和優(yōu)勢，SuperCLUE選取了多個國內(nèi)外有代表性的可用模型進(jìn)行評測，同時由于其數(shù)據(jù)集保密性高，對大模型來說是‘閉卷考試’，減少了模型訓(xùn)練數(shù)據(jù)混入評測數(shù)據(jù)的可能性。此外，SuperCLUE還通過自動化評測方式測試不同模型效果，可一鍵對大模型進(jìn)行評測，相對更客觀。”

“書生·浦語”：不僅善于考試，還是開源大模型中的佼佼者

“書生·浦語”，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)打造的大語言模型，具有千億參數(shù)，在包含1.8萬億token的高質(zhì)量語料上訓(xùn)練而成。

今年6月，“書生·浦語”聯(lián)合團(tuán)隊曾選取20余項評測進(jìn)行檢驗(yàn)，包括全球最具影響力的四個綜合性考試評測。結(jié)果顯示，“書生·浦語”在綜合性考試中表現(xiàn)突出，在多項中文考試中超越ChatGPT。

7月，“書生·浦語”正式開源70億參數(shù)的輕量級版本InternLM-7B。（https://github.com/InternLM/InternLM）

后續(xù)又推出升級版對話模型InternLM-Chat-7B v1.1，成為首個具有代碼解釋能力的開源對話模型，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)時信息，提供具有時效性的回答。

在北京智源人工智能研究院FlagEval大語言模型評測體系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”還刷新中英客觀評測記錄。

「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大語言模型評測體系針對基座模型的評測主要從“提示學(xué)習(xí)評測”和“適配評測”兩方面進(jìn)行；針對有監(jiān)督微調(diào)模型的評測則從“復(fù)用針對基座模型的客觀評測” 進(jìn)一步增加“引入主觀評測”。

此次兩個榜單中，“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測試中，InternLM-chat-7B中文能力大幅領(lǐng)先同時，英文能力也與對手保持在相近水平，展現(xiàn)出更強(qiáng)的實(shí)用性能。

SuperCLUE評測從基礎(chǔ)能力、專業(yè)能力、中文特性能力三個不同維度對國內(nèi)外通用大模型產(chǎn)品進(jìn)行評價，考察大模型在70余個任務(wù)上的綜合表現(xiàn)。

“書生·浦語”InternLM-chat-7B在7月公布SuperCLUE評測榜單中表現(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評測基準(zhǔn)每期有3700+道客觀題（選擇題），由基礎(chǔ)能力（10個子任務(wù)）、中文特性能力（10個子任務(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，同時全面領(lǐng)先于第三名Baichuan-13B-Chat。

雷峰網(wǎng)(公眾號：雷峰網(wǎng))

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。