模型规模和开源策略: InternLM-7B：中等规模的模型，适合低成本部署和社区使用。 InternLM-20B：更大的模型，平衡了性能和资源消耗，适合商业应用。 InternLM-123B：顶级模型，非开源，具有强大的推理和知识能力，用于高端应用。
从模型到应用的转化: 对于复杂的业务场景，首先进行模型微调，包括全参数微调或部分参数微调。 根据需求构建智能体，使其能够与数据库交互或调用外部API。
全链路开源开放体系: 书生-万卷：提供了丰富的开源训练数据，包括文本、图像-文本和视频数据。 InternLM-Train：预训练工具，支持多显卡扩展和并行性能优化，兼容如HuggingFace等主流训练生态，支持多种语言模型，开箱即用。 XTurner：微调工具，适配多种微调算法，与开源生态兼容，具有显著的显存优化效果。提供增量续训和有监督微调功能。
GPU部署和模型优化: LMDeploy：专为GPU环境设计的部署解决方案，包括4b权重量化和8b KV量化，推理引擎进行了优化改造，提供与大模型兼容的生态接口。
评测和智能体应用: OpenCompass：评测工具，涵盖多个测试方面（如学科、语言、知识、理解、推理、安全），提供自定义评测数据集和大模型评测接口。 Lagent 和 AgentLego：智能体应用工具。 Lagent：智能体框架，支持多种智能体工作流程能力，兼容多种大语言模型，提供多种工具和多模态工具调用接口。 AgentLego：提供多模态智能体工具集合，支持多个智能体系统（如Langchain），并提供远程工具部署和调试支持。