Rapport Technique d'InternLM2

InternLM2 Technical Report

March 26, 2024

Auteurs: Zheng Cai, Maosong Cao, Haojiong Chen, Kai Chen, Keyu Chen, Xin Chen, Xun Chen, Zehui Chen, Zhi Chen, Pei Chu, Xiaoyi Dong, Haodong Duan, Qi Fan, Zhaoye Fei, Yang Gao, Jiaye Ge, Chenya Gu, Yuzhe Gu, Tao Gui, Aijia Guo, Qipeng Guo, Conghui He, Yingfan Hu, Ting Huang, Tao Jiang, Penglong Jiao, Zhenjiang Jin, Zhikai Lei, Jiaxing Li, Jingwen Li, Linyang Li, Shuaibin Li, Wei Li, Yining Li, Hongwei Liu, Jiangning Liu, Jiawei Hong, Kaiwen Liu, Kuikun Liu, Xiaoran Liu, Chengqi Lv, Haijun Lv, Kai Lv, Li Ma, Runyuan Ma, Zerun Ma, Wenchang Ning, Linke Ouyang, Jiantao Qiu, Yuan Qu, Fukai Shang, Yunfan Shao, Demin Song, Zifan Song, Zhihao Sui, Peng Sun, Yu Sun, Huanze Tang, Bin Wang, Guoteng Wang, Jiaqi Wang, Jiayu Wang, Rui Wang, Yudong Wang, Ziyi Wang, Xingjian Wei, Qizhen Weng, Fan Wu, Yingtong Xiong, Chao Xu, Ruiliang Xu, Hang Yan, Yirong Yan, Xiaogui Yang, Haochen Ye, Huaiyuan Ying, Jia Yu, Jing Yu, Yuhang Zang, Chuyu Zhang, Li Zhang, Pan Zhang, Peng Zhang, Ruijie Zhang, Shuo Zhang, Songyang Zhang, Wenjian Zhang, Wenwei Zhang, Xingcheng Zhang, Xinyue Zhang, Hui Zhao, Qian Zhao, Xiaomeng Zhao, Fengzhe Zhou, Zaida Zhou, Jingming Zhuo, Yicheng Zou, Xipeng Qiu, Yu Qiao, Dahua Lin

cs.AI

Résumé

L'évolution des modèles de langage à grande échelle (LLMs) comme ChatGPT et GPT-4 a suscité des discussions sur l'avènement de l'Intelligence Artificielle Générale (AGI). Cependant, reproduire de telles avancées dans des modèles open-source s'est avéré difficile. Cet article présente InternLM2, un LLM open-source qui surpasse ses prédécesseurs dans des évaluations exhaustives couvrant 6 dimensions et 30 benchmarks, la modélisation de contextes longs, ainsi que des évaluations subjectives ouvertes grâce à des techniques innovantes de pré-entraînement et d'optimisation. Le processus de pré-entraînement d'InternLM2 est minutieusement détaillé, mettant en lumière la préparation de divers types de données, incluant du texte, du code et des données à contexte long. InternLM2 capture efficacement les dépendances à long terme, étant initialement entraîné sur des séquences de 4k tokens avant de progresser à 32k tokens lors des phases de pré-entraînement et de fine-tuning, démontrant des performances remarquables sur le test "Needle-in-a-Haystack" de 200k tokens. InternLM2 est ensuite aligné à l'aide d'un Fine-Tuning Supervisé (SFT) et d'une nouvelle stratégie de Reinforcement Learning from Human Feedback conditionnel en ligne (COOL RLHF) qui aborde les conflits de préférences humaines et le piratage des récompenses. En publiant les modèles InternLM2 à différentes étapes d'entraînement et tailles de modèles, nous offrons à la communauté des insights sur l'évolution du modèle.

English

The evolution of Large Language Models (LLMs) like ChatGPT and GPT-4 has sparked discussions on the advent of Artificial General Intelligence (AGI). However, replicating such advancements in open-source models has been challenging. This paper introduces InternLM2, an open-source LLM that outperforms its predecessors in comprehensive evaluations across 6 dimensions and 30 benchmarks, long-context modeling, and open-ended subjective evaluations through innovative pre-training and optimization techniques. The pre-training process of InternLM2 is meticulously detailed, highlighting the preparation of diverse data types including text, code, and long-context data. InternLM2 efficiently captures long-term dependencies, initially trained on 4k tokens before advancing to 32k tokens in pre-training and fine-tuning stages, exhibiting remarkable performance on the 200k ``Needle-in-a-Haystack" test. InternLM2 is further aligned using Supervised Fine-Tuning (SFT) and a novel Conditional Online Reinforcement Learning from Human Feedback (COOL RLHF) strategy that addresses conflicting human preferences and reward hacking. By releasing InternLM2 models in different training stages and model sizes, we provide the community with insights into the model's evolution.