速途網(wǎng)6月7日訊 近日，商湯科技、上海AI實驗室聯(lián)合香港中文大學、復旦大學及上海交通大學發(fā)布千億級參數(shù)大語言模型“書生·浦語”（InternLM）。

“書生·浦語”具有1040億參數(shù)，是在包含1.6萬億token的多語種高質(zhì)量數(shù)據(jù)集上訓練而成。

全面評測結(jié)果顯示，“書生·浦語”不僅在知識掌握、閱讀理解、數(shù)學推理、多語翻譯等多個測試任務上表現(xiàn)優(yōu)秀，而且具備很強的綜合能力，因而在綜合性考試中表現(xiàn)突出，在多項中文考試中取得超越ChatGPT的成績，其中就包括中國高考各個科目的數(shù)據(jù)集（GaoKao）。

“書生·浦語”聯(lián)合團隊選取了20余項評測對其進行檢驗，其中包含全球最具影響力的四個綜合性考試評測集：

• 由伯克利加州大學等高校構(gòu)建的多任務考試評測集MMLU；
• 微軟研究院推出的學科考試評測集AGIEval（含中國高考、司法考試及美國SAT、LSAT、GRE和GMAT等）；
• 由上海交通大學、清華大學和愛丁堡大學合作構(gòu)建的面向中文語言模型的綜合性考試評測集C-Eval；
• 以及由復旦大學研究團隊構(gòu)建的高考題目評測集Gaokao；

實驗室聯(lián)合團隊對“書生·浦語”、GLM-130B、LLaMA-65B、ChatGPT和 GPT-4進行了全面測試，針對上述四個評測集的成績對比如下（滿分100分）。

“書生·浦語”不僅顯著超越了GLM-130B和LLaMA-65B等學術(shù)開源模型，還在AGIEval、C-Eval，以及Gaokao等多個綜合性考試中領(lǐng)先于ChatGPT；在以美國考試為主的MMLU上實現(xiàn)和ChatGPT持平。這些綜合性考試的成績反映出“書生·浦語”扎實的知識掌握程度和優(yōu)秀的綜合能力。

雖然 “書生·浦語”在考試評測上取得優(yōu)秀成績，但在測評中也可以看到，大語言模型仍然存在不少能力局限性。“書生·浦語” 受限于2K的語境窗口長度（GPT-4的語境窗口長度為32K），在長文理解、復雜推理、撰寫代碼以及數(shù)理邏輯演繹等方面還存在明顯局限。另外，在實際對話中，大語言模型還普遍存在幻覺、概念混淆等問題。這些局限使得大語言模型在開放場景中的使用還有很長的路要走。

四個綜合性考試評測數(shù)據(jù)集結(jié)果

MMLU是由伯克利加州大學（UC Berkeley）聯(lián)合哥倫比亞大學、芝加哥大學和UIUC共同構(gòu)建的多任務考試評測集，涵蓋了初等數(shù)學、物理、化學、計算機科學、美國歷史、法律、經(jīng)濟、外交等多個學科。

細分科目結(jié)果如下表所示。

AGIEval是由微軟研究院在今年新提出的學科考試評測集，主要目標是通過面向的考試來評估語言模型的能力，從而實現(xiàn)模型智能和人類智能的對比。

這個評測集基于中國和美國各類考試構(gòu)建了19個評測大項，包括了中國各科高考、司法考試以及美國的 SAT、LSAT、GRE 和 GMAT等重要考試。值得一提的是，在這19個大項有9個大項是中國高考，通常也列為一個重要的評測子集 AGIEval (GK)。

下列表格中，帶GK的是中國高考科目。

C-Eval是由上海交通大學、清華大學和愛丁堡大學合作構(gòu)建的面向中文語言模型的綜合性考試評測集。

它包含了52個科目的近14000道考題，涵蓋數(shù)學、物理、化學、生物、歷史、政治、計算機等學科考試，以及面向公務員、注冊會計師、律師、醫(yī)生的職業(yè)考試。

測試結(jié)果可以通過leaderboard獲得。

Gaokao是由復旦大學研究團隊構(gòu)建的基于中國高考題目的綜合性考試評測集，包含了中國高考的各個科目，以及選擇、填空、問答等多種題型。

在GaoKao測評中，“書生·浦語”在超過75%的項目中均領(lǐng)先ChatGPT。

分項評測：閱讀理解、推理能力表現(xiàn)出色

為避免“偏科”，研究人員還通過多個學術(shù)評測集，對“書生·浦語”等語言模型的分項能力進行了評測對比。

結(jié)果顯示，“書生·浦語”不僅在中英文的閱讀理解方面表現(xiàn)突出，并且在數(shù)學推理、編程能力等評測中也取得較好成績。

知識問答方面，“書生·浦語”在TriviaQA 和 NaturalQuestions 兩項評測上得分為69.8和27.6，均超越LLaMA-65B（得分為68.2和23.8）。

閱讀理解（英語）方面，“書生·浦語”明顯領(lǐng)先于LLaMA-65B和ChatGPT。浦語在初中和高中英語閱讀理解中得分為92.7和88.9，ChatGPT得分為 85.6 和81.2，LLaMA-65B則更低。

中文理解方面，“書生·浦語”成績?nèi)娉街饕膬蓚€中文語言模型ERNIE-260B和GLM-130B。

多語翻譯方面，“書生·浦語”在多語種互譯中的平均得分為33.9，顯著超越LLaMA(平均得分15.1)。

數(shù)學推理方面，“書生·浦語”在GSM8K和MATH這兩項被廣泛用于評測的數(shù)學考試中，分別取得62.9和14.9的得分，明顯領(lǐng)先于Google的PaLM-540B（得分為56.5和8.8）與LLaMA-65B（得分為50.9和10.9）。

編程能力方面，“書生·浦語”在HumanEval和MBPP這兩項最具代表性的考評中，分別取得28.1和41.4的得分(其中經(jīng)過在代碼領(lǐng)域的微調(diào)后，在HumanEval上的得分可以提升至45.7)，明顯領(lǐng)先于PaLM-540B（得分為 26.2和36.8）與LLaMA-65B（得分為23.7和37.7）。

此外，研究人員還對“書生·浦語”的安全性進行評測，在TruthfulQA（主要評價回答的事實準確性） 以及CrowS-Pairs（主要評價回答是否含有偏見）上，“書生·浦語”均達到領(lǐng)先水平。