关于阅读开源项目的源码，有哪些经验值得分享？
作为一个一直对前沿科技满怀热忱、闲来爱琢磨新技术的人，听闻书生大模型全链路开源开放体系时，心里那股好奇劲儿一下就被勾起来了。起初，面对那些高大上的专业术语、琳琅满目的工具框架，脑袋里直发懵，但真一头扎进去摸索一番后，却有了不少意外收获。
先来认识一下，从InternLM官方介绍中，可以看到模型和工具链工具介绍——
https://github.com/internLM/
可能看起来英文有点难理解，不过官方给到一图看懂这个体系，包括几个维度
InternLM开源体系构成，包括书生·万卷多模态语料库、预训练框架InternEvo、模型微调工具Xtuner、OpenCompass 评测体系、LLMs 模型部署工具箱LMDeploy、四大应用。
1、书生·万卷多模态语料库
想盖高楼，优质的建材不可或缺，大模型开发也一样，数据就是基石。
文本数据集 1.0：搜罗网页、书籍、考题等各处精华，超 5 亿文档被洗净杂质、格式规整，变身整齐划一的 jsonl格式，恰似精心筛选、打磨的砖石，稳稳撑起模型知识储备。
https://github.com/opendatalab/image-downloader
图文数据集 1.0：超 2200 万份图文并茂的文档，源于公开网页，新闻、风景、人物百态尽在其中，图片配 URL，直观鲜活，给模型添几分 “图文并茂” 的巧思，助其理解多模态信息。
视频数据集 1.0：牵手中央广播电视总台、上海文广，千余个节目影像入驻，文艺、体育、自然、真实世界、知识类、影像艺术纷纷 “入库”，近 1TB 视频资料。
https://github.com/opendatalab/WanJuan1.0
https://openxlab.org.cn/datasets/OpenDataLab/WanJuan1_dot_0
开源数据处理工具箱
（1）Miner U
一站式开源高质量数据提取工具，将PDF转换成Markdown和JSON格式
https://github.com/opendatalab/MinerU
https://opendatalab.com/OpenSourceTools
（2）Label LLM
开源的数据标注平台
https://github.com/opendatalab/LabelLLM/wiki/README%E2%80%90zh
（3）Label U
https://github.com/opendatalab/labelU
https://opendatalab.github.io/labelU/
OpenDataLab 开源的数据标注工具，支持图片、音频和视频标注
2、预训练框架InternEvo
https://github.com/InternLM/InternEvo
https://internevo.readthedocs.io/zh-cn/latest/?badge=latest
有了好料，得有趁手家伙塑形。InternEvo 担此重任，它是书生体系 “心脏” 般的存在。内置前沿 Transformer 架构优化绝技，能驾驭大规模分布式训练，通用数据海，还是专业领域 “小切口”，都能高效 “锤炼” 模型。
3、模型微调工具Xtuner
模型初成，要适配万千下游任务，得精雕细琢。Xtuner 手持 “微调利刃” 登场，参数高效微调、领域适配策略多样，像个懂行工匠，找准微调 “穴位”。
https://github.com/InternLM/xtuner
模型微调Xtuner工具中文文档
https://xtuner.readthedocs.io/zh-cn/latest/
4、OpenCompass 评测体系
https://github.com/open-compass/opencompass
https://opencompass.org.cn
模型训练微调完，到底成色几何？OpenCompass 给出答案。跑一遍基准测试，自然语言各板块表现尽收眼底，理解有无偏差、生成内容是否靠谱、对话逻辑通不通顺，全被量化打分。
5、推理部署LMDeploy
LLMs 模型部署工具箱，功能涵盖了量化、推理和服务
到了推理部署阶段，LMDeploy 让模型走出 “实验室”，走向多平台。本地电脑测试时，模型加载飞速，量化压缩后，占内存极小；云端部署操作简单，边缘设备上也能稳定运行，物联网小项目里数据实时处理、快速响应。
https://github.com/InternLM/lmdeploy
https://lmdeploy.readthedocs.io/zh-cn/latest/
6、四大应用
（1）MindSearch思索式搜索
打破常规搜索局限，文本、图像、音视频多模态信息一手抓。
https://github.com/InternLM/MindSearch
（2）Lagent智能体框架
模块化组装 “积木”，内置行为、决策工具，打造 “高智商” 智能体，解决复杂场景。
https://github.com/InternLM/lagent
（3）MinerU高效文档解析
解决合同、文献解析难题，精准提炼有价值内容。
https://github.com/opendatalab/MinerU
（4）HuixiangDou专业知识助手
结合学术、科研专长，听懂群内难题，知识库赋能，给出靠谱建议，协同讨论更高效。
https://github.com/InternLM/HuixiangDou
https://openxlab.org.cn/apps/detail/tpoisonooo/huixiangdou-web
7、模型评分（Chat Model）
在大部分基准测试中，InternLM2.5 - 7B - Chat 表现较为出色，Qwen2 - 7B - Instruct 在 CMLU（5 - shot）测试中得分最高，Gemma2 - 9B - IT 在 GSM8K（0 - shot CoT）测试中得分最高，不同模型在不同基准测试中的表现各有优劣。
https://github.com/InternLM/InternLM
1、MMLU（5 - shot）
MMLU指的是大规模多任务语言理解测试。包含了很多不同类型的问题，涵盖了各种知识领域，比如科学、历史、文学等。就像是给语言模型出了一套超级综合试卷，来测试它对不同知识的理解和处理能力。从模型测试中，可以发现——
- InternLM2.5 - 7B - Chat 得分高，为 72.8。
- Llama3 - 8B - Instruct 得分低，为 68.4。
- 其余模型得分较为接近，Gemma2 - 9B - IT 得分为 70.9，Yi - 1.5 - 9B - Chat 为 71.0，GLM - 4 - 9B - Chat 为 71.4，Qwen2 - 7B - Instruct 为 70.8。
2、CMLU
用来评估语言模型对知识理解能力的测试。和 MMLU 类似，通过给模型提供一些问题，观察它的回答来判断模型的水平。不同的是，它可能在问题的类型或者评估的侧重点上有自己的特点。从模型测试中，可以发现——
- InternLM2.5 - 7B - Chat 再次得分高，为 78.0。
- Llama3 - 8B - Instruct 得分低，为 53.3。
- 其他模型中，Gemma2 - 9B - IT 得分为 60.3，Yi - 1.5 - 9B - Chat 和 GLM - 4 - 9B - Chat 均为 74.5，Qwen2 - 7B - Instruct 最高，为 80.9。
3、BBH（3 - shot CoT）
评估语言模型在复杂推理和思维链（CoT，Chain of Thought）相关任务上的表现。3 - shot CoT 意味着会给模型 3 个相关示例来引导它进行推理回答。它的问题通常需要模型不仅仅是简单地模仿已有的知识，而是要进行更深层次的思考和逻辑推理，比如解决一些需要多步骤推理的问题。从模型测试中，可以发现——
- InternLM2.5 - 7B - Chat 得分高，为 71.6。
- Llama3 - 8B - Instruct 得分低，为 54.4。
- Gemma2 - 9B - IT 得分为 68.2，Yi - 1.5 - 9B - Chat 和 GLM - 4 - 9B - Chat 均为 69.6，Qwen2 - 7B - Instruct 为 65.0。
4、MATH
专门针对数学问题的测试。0 - shot CoT 表示在测试时不给模型示例直接让它回答数学问题。这些数学问题可能包括算术、代数、几何等各个数学领域，通过这个测试可以看出语言模型对数学知识的掌握和运用能力，以及它是否能够进行合理的数学推理。
- InternLM2.5 - 7B - Chat 得分高，为 60.1。
- Llama3 - 8B - Instruct 得分低，为 27.9。
- Gemma2 - 9B - IT 得分为 46.9，Yi - 1.5 - 9B - Chat 和 GLM - 4 - 9B - Chat 均为 51.1，Qwen2 - 7B - Instruct 为 48.6。
5、GSM8K
专门针对数学文字题（用文字描述的数学问题）的测试。同样是 0 - shot CoT，它的问题都是以文字形式呈现的数学题目，比如 “小明有 5 个苹果，小红比小明多 3 个，问小红有几个苹果” 这种类型的问题。通过这种测试可以评估模型对实际生活中的数学问题的解决能力。
- InternLM2.5 - 7B - Chat 得分高，为 86.0。
- Llama3 - 8B - Instruct 得分低，为 72.9。
- Gemma2 - 9B - IT 得分为 88.9，Yi - 1.5 - 9B - Chat 为 80.1，GLM - 4 - 9B - Chat 为 85.3，Qwen2 - 7B - Instruct 为 82.9。
6、GPOA
利用人工智能技术来优化和自动化测试过程的一种测试。包括自动化测试案例的生成、测试执行的自动化、智能数据分析、结果的预测的能力。
各模型得分较为接近，其中 InternLM2.5 - 7B - Chat 得分为 38.4，Llama3 - 8B - Instruct 为 26.1，Gemma2 - 9B - IT 为 33.8，Yi - 1.5 - 9B - Chat 为 37.9，GLM - 4 - 9B - Chat 为 36.9，Qwen2 - 7B - Instruct 为 38.4。
