社区供稿 | 如何在 Hugging Face 上使用 InternLM-20B？

书生·浦语 InternLM-20B 于 9 月 20 日发布，现已正式登陆 Hugging Face！

你可以在 Hugging Face Hub 中查阅模型以及 Space 应用~

在 Hugging Face 最新公布的 Open LLM Leaderboard 评测榜单上，InternLM-20B 在参数量 60B 以下基模型中平均成绩领先，也超过了Llama-65B。

https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard

本文我们将重点教大家如何在 Hugging Face 使用 InternLM-20B。

InternLM-20B 是基于 2.3T token 预训练语料从头训练的中量级语言大模型。相较于 InternLM-7B，训练语料经过了更高水平的多层次清洗，补充了高知识密度和用于强化理解及推理能力的训练数据。因此，在理解能力、推理能力、数学能力、编程能力等考验语言模型技术水平等方面，InternLM-20B 都有显著提升。

相比于此前的开源模型，InternLM-20B 的能力优势主要体现在：

• 优异的综合性能: InternLM-20B 具备优异的综合性能，不仅全面领先相近量级的开源模型（包括 Llama-33B、Llama2-13B 以及国内主流的 7B、13B 开源模型），并且以不足三分之一的参数量，测评成绩达到了 Llama2-70B的水平。

• 强大的工具调用能力: InternLM-20B 拓展了模型的能力边界，实现了大模型与现实场景的有效连接。InternLM-20B 支持数十类插件，上万个 API 功能，在 ToolBench 评测集上获得了最佳结果，在与 ChatGPT 的竞赛中，胜率达到 63.5%。InternLM-20B 还具备代码解释和反思修正能力，为智能体（Agent）的构建提供了良好的技术基础。

• 更长的语境: InternLM-20B 支持 16K 语境长度，从而更有效地支撑长文理解、长文生成和超长对话。

• 更安全的价值对齐: 相比于之前版本，InternLM-20B 在价值对齐上更加安全可靠。在研发训练的过程中，研究团队进行了基于 SFT（监督微调）和 RLHF（基于人类反馈的强化学习方式）两阶段价值对齐，并通过专家红队的对抗训练，大幅提高其安全性。当用户带着偏见向它提问时，它能够给出正面引导。

• 全线升级的开源工具、数据体系: 书生·浦语开源工具链全线升级，形成了更为完善的工具体系，其中包括预训练框架 InternLM-Train、低成本微调框架 XTuner、部署推理框架 LMDeploy、评测框架 OpenCompass 以及面向场景应用的智能体框架 Lagent。书生·浦语工具链将和开源数据平台 OpenDataLab 构成强大的开源工具及数据体系，共同为学术界和产业界提供一条龙的研发与应用支持。

我们推荐使用 LMDeploy 4bit 量化和推理能力来部署 InternLM-20B 模型。与 FP16 计算精度相比，LMDeploy 4bit 量化推理不仅把模型的显存降低 60% 以上，更重要的是，经过 kernel 层面的极致优化，推理速度并未损失，反而是 FP16 推理速度的两倍以上。

第一步：安装 lmdeploy

pip install 'lmdeploy>=0.0.9'

第二步：下载 InternLM-20B-4bit 模型

第三步：转换模型权重格式

第四步：启动 gradio 服务

XTuner 是上海人工智能实验室开发的低成本大模型训练、微调工具箱，通过 XTuner，仅需 24GB 显存，就可以微调 InternLM-20B 系列模型。

目前，XTuner 已支持 InternLM-20B 模型的全参数、LoRA、QLoRA 微调，集成 DeepSpeed ZeRO 2/3 训练优化技巧，并支持诸如 Alpaca、OpenAssistant 等热门开源数据集，用户可以“开箱即用”！

只需两行命令，外加 24GB 显存，即可实现 InternLM-20B 的 QLoRA 微调（以 oasst1 数据集为例）：

同时，XTuner 已内嵌了众多 InternLM-20B 微调配置文件，用户可以通过下列命令查看：

面向专业级用户，如果有自定义训练流程、自定义训练数据等深度需求，则可以导出示例配置文件，并进行自定义修改，实现灵活配置：