快速成长中的大语言模型功能日新月异。为解决复杂问题，它甚至可以调用工具，“自动”写代码进行编程！
近日，上海人工智能实验室（上海AI实验室）推出书生·浦语大语言模型的升级版对话模型InternLM-Chat-7B v1.1（以下简称“InternLM-Chat”）。InternLM-Chat为首个具有代码解释能力的开源对话模型，能够根据需要灵活调用Python解释器等外部工具，在解决复杂数学计算等任务上的能力显著提升；此外，该模型还可通过搜索引擎获取实时信息，提供具有时效性的回答。
与此同时，上海AI实验室还发布了开源智能体框架Lagent以辅助用户体验新模型的完整功能。通过Lagent，用户可便捷实现由大语言模型到智能体的转换，从而轻松实现模型的插件调用功能并探索新的智能体范式。
开源链接：
书生·浦语开源体系InternLM：https://github.com/InternLM
InternLM-Chat：https://github.com/InternLM/InternLM
Lagent：https://github.com/InternLM/lagent
OpenCompass：https://opencompass.org.cn/
在今年7月举行的WAIC 2023上，上海人工智能实验室（上海AI实验室）正式开源了书生·浦语大模型70亿参数的轻量级版本InternLM-7B，并推出首个面向大模型研发与应用的全链条开源体系，同时提供免费商用，受到了学术和产业界的广泛关注。开放评测平台OpenCompass的评测结果显示，书生·浦语在数十项评测中体现出强大的知识体系与推理能力。随着大模型的发展，大模型在实际场景落地中的价值越来越受到关注。单靠大语言模型的聊天能力无法满足例如报告分析、电子商务、数理问题求解等具体场景下的任务需求。为使大模型能够执行复杂任务，OpenAI于今年7月9日向用户正式开放了Code Interpreter，使得ChatGPT和GPT-4可以根据用户问题来编写和执行代码，从而拓展了模型在数据分析、复杂计算与功能调用方面的能力。在InternLM-7B基础上，上海AI实验室面向实用需求，正式开源了书生·浦语具有代码解释能力的对话模型版本，填补了开源社区中模型代码解释能力的空白，进一步助力大模型能力构建与应用探索。大语言模型虽然在对话能力上表现出色，但是在数学计算等复杂场景下，依然具有一定的局限性，例如，模型虽然可以完成小数字的基本运算，但是难以进行大数运算。此时，如果有代码解释器或者计算器等工具进行辅助，就能够比较方便地解决这类问题。
题目：已知水库水位为海拔148.5m，相应水面的面积为140.0km2；水位为海拔157.5m时，相应水面的面积为180.0km2。将该水库在这两个水位间的形状看作一个棱台，则该水库水位从海拔148.5m上升到157.5m时，增加的水量约为？
可以发现，模型虽然知道计算公式，但却无法正确计算出结果。但是，如果模型具有调用代码解释器的能力，就可以产生如下内容，调用 Python代码解释器对问题进行求解：
用户可以基于一定的规则，从模型的回复中提取出模型对代码解释器的调用并执行代码，计算得到结果 1440.0并返回给模型，模型在接收到计算结果后可以组织回复并告诉用户最终答案。
根据题意可知，棱台的体积为
可见，代码解释器等外部插件能够有效弥补模型的不足，提升模型解决实际应用中复杂问题的能力。本次书生·浦语开源升级，使大模型具备了调用代码解释器及搜索引擎等外部插件的能力，为大模型解决复杂任务赋能。
当前，大多数开源模型主要聚焦于对话主观体验的提升，并不具备良好的调用外部插件的能力。针对此情况，书生·浦语团队进行了积极研究探索，赋予了InternLM-Chat调用代码解释器、检索工具等外部插件的新能力。
面对解方程等复杂的数学计算问题，模型仅凭自身能力难以完全做对，而有了代码解释器的加持，模型只要能写对方程式，就可调动代码解释器完成方程求解。
面对复数题，模型也能够调用 Python 代码解释器并写出正确的代码，对问题进行求解。如题目：若 ， 
由于大语言模型迭代周期较长，往往难以获取最新的知识，调用检索工具则可以显著地增强模型对最新知识的获取和了解，提高回答的时效性和有效性。例如，向新版大模型询问“LK-99 真的是常温常压超导体吗”，此时大模型会先搜索“LK-99 常温超导体”，并检索到三篇参考资料，在阅读这些资料内容后，给出总结回答“LK-99 并没有被证实为常温常压超导体”。
书生·浦语团队还将最新研究成果运用于书生·浦语千亿参数版本大语言模型的能力提升中，使其实现了在复杂场景中进行多步推理和计算。目前，书生·浦语千亿参数版本大语言模型已拥有多知识点运用、自主反思及修正错误等能力，模型的推理能力和插件调用能力也日渐提升。当使用该模型求解以下数学题时，模型能够准确理解向量垂直的性质并进一步列出方程解答。同时，模型还能够理解三角函数的性质并对问题进行求解。在以下问题中，模型使用方程求解出多个答案并能够根据题意回答实数的最小值。在调用插件的过程中，大语言模型可能无法一次性成功调用工具解决问题。此时模型的反思和修正能力就显得尤为关键。如下图所示，让千亿参数的模型统计满足题目要求的集合个数，计算指出模型并没有导入对应的模块依赖，但随后能根据报错修复代码并正确求解。可以发现，随着模型参数量的提升，模型的推理能力和插件调用能力也得到显著提升。当大语言模型能够以“自主”思考方式调用外部工具完成复杂任务时，其可谓经进化成为智能体。为达到此目标，除了需要提升大语言模型本身的推理和调用工具能力，还需要一套智能体框架，构建大语言模型作为智能体的思维过程，并实现对应的工具供大语言模型调用执行。因此，书生·浦语团队同时开源了智能体框架，支持用户快速地将一个大语言模型转变为多种类型的智能体，并提供典型工具为大语言模型赋能。1.集合了多种类型的智能体能力，包括ReAct、AutoGPT 和 ReWoo 等，这些智能体能够调用大语言模型进行多轮的推理和工具调用，并在工作过程中及时进行反思和自我修正；
2.框架简单易拓展，支持Python解释器、API调用和搜索三类常用典型工具；
3.灵活支持多个大语言模型应用，包括InternLM、Llama-2等开源模型和GPT-4、GPT-3.5等基于API的闭源模型。
为了方便社区基于Lagent灵活地实现和探索各种新的Agent及工具，Lagent采用了一套简洁的模块设计。智能体（Agent）模块包含了动作执行器（ActionExecutor）和大语言模型（LLM），并确立了特定类型的规划和执行机制。Agent模块接收用户输入后，LLM进行对应的规划和决策过程，发出调用工具的指令。不同类型的工具，如 Python解释器和搜索引擎等被分别定义为智能体的一个动作（Action），由 ActionExecutor接收并解析调用工具的指令，完成具体的工具调用并向LLM返回执行结果。目前广泛使用的开源框架Langchain也实现了类似的功能，能够为大语言模型提供工具扩展，但在多重抽象和封装之下，学习上手和调试相对较复杂，Lagent采用简洁直观的设计，统一的接口并提供清晰的文档，为用户在构建不同Agent和工具调用流程中提供一致性的流畅体验。研究人员用10行代码快速实现了一个Agent，它能够调用代码解出数学题，并输出正确的结果。
在实际使用过程中，无论采用何种工具和Agent，用户都可以通过类似的10行代码快速构建一个Demo并调试。未来，Lagent也将继续支持各种丰富的Agent和工具，不断拓宽大语言模型作为智能体的能力边界，助力开源社区高效构建和研发基于大语言模型的智能体。
评论
沙发等你来抢