InternVL3.5 - Шанхайская лаборатория искусственного интеллекта с открытым исходным кодом мультимодальных больших моделей

Что такое InternVL 3.5?

InternVL3.5 - это мультимодальная большая модель с открытым исходным кодом от Шанхайской лаборатории искусственного интеллекта (SAL), которая была всесторонне усовершенствована с точки зрения общих возможностей, способности делать выводы и эффективности развертывания, обеспечивая девять размеров от 1 млрд до 241 млрд параметров, охватывая различные сценарии спроса на ресурсы, включая плотную модель и смешанную модель экспертов (MoE), и является первой мультимодальной большой моделью с открытым исходным кодом, поддерживающей язык и базу моделей GPT-OSS. InternVL3.5 использует каскадное обучение с подкреплением (Cascade RL), что значительно улучшает способность к умозаключениям благодаря двухфазному процессу "прогрев в оффлайне - тонкая настройка в онлайне". Были усилены основные возможности графического интерфейса, воплощенного пространственного мышления и обработки векторной графики. Например, в задаче позиционирования графического интерфейса ScreenSpot модель превзошла основные модели с открытым исходным кодом на 92,9 балла.

Особенности InternVL 3.5

• Мощные возможности мультимодального зондированияОн может понимать и обрабатывать широкий спектр визуальной информации, такой как изображения и видео, и генерировать соответствующие текстовые описания, которые подходят для создания контента, интеллектуального обслуживания клиентов и других областей.
• Отличная производительность мультимодального анализа: Отличные результаты в междисциплинарных тестах, способных решать сложные мультимодальные задачи, такие как решение математико-физических задач, логические рассуждения и т.д., подходящие для образования, исследований и других сценариев.
• Эффективные возможности обработки текста: Он отлично справляется с задачами обработки естественного языка, такими как вывод текста и вопросы и ответы, а также обеспечивает высококачественное создание и анализ текста для таких приложений, как интеллектуальное письмо и анализ текста.
• Расширенный графический интерфейс Интеллектуальные функции телаЭлементы интерфейса могут быть автоматизированы на разных платформах, что позволяет выполнять такие задачи, как восстановление документов, экспорт PDF и отправка электронной почты, для повышения автоматизации работы офиса.
• Отличное воплощенное пространственное мышлениеПоддерживая понимание физических пространственных отношений и навигацию, он может применяться в сценариях воплощенного интеллекта, таких как навигация роботов и управление "умным домом", для повышения автономности и интеллектуальности устройств.
• Высокоэффективная обработка векторной графики: Он может генерировать или редактировать векторную графику на основе команд естественного языка, что подходит для профессиональных сценариев, таких как веб-дизайн и анализ инженерных чертежей, и повышает эффективность проектирования и анализа.
• Гибкие варианты развертывания моделей: Доступен широкий диапазон размеров моделей от 1 млрд до 241 млрд параметров для удовлетворения различных потребностей в ресурсах и сценариев применения, с поддержкой плотных моделей и смешанных моделей экспертизы (MoE).

Основные преимущества InternVL 3.5

• Каскадная система обучения с подкреплениемДвухэтапный процесс "офлайн-прогрев - онлайн-тонкая настройка" в сочетании с гибридными алгоритмами оптимизации предпочтений (MPO) и GSPO значительно улучшает способность модели к выводу и устойчивость к обучению.
• Динамическая маршрутизация визуального разрешенияДинамический выбор степени сжатия для каждого фрагмента изображения уменьшает количество визуальных маркеров, сохраняя при этом ключевую информацию, что значительно повышает скорость вывода при незначительном снижении производительности.
• Архитектура развертывания с развязкойНовый дизайн основан на сочетании передачи функций с точностью BF16 и асинхронной конвейеризации, что значительно повышает пропускную способность и решает проблему блокировки ресурсов при традиционном последовательном развертывании за счет размещения визуального кодера и языковой модели на разных графических процессорах.
• Оптимизация полномасштабной моделиОн обеспечивает широкий диапазон размеров моделей от 1 млрд до 241 млрд параметров, охватывая различные сценарии спроса на ресурсы, и поддерживает плотные модели и смешанные экспертные модели (MoE) для удовлетворения разнообразных требований приложений.
• Превосходное мультимодальное мышление: Достигнута наивысшая оценка для модели с открытым исходным кодом в междисциплинарном эталоне рассуждений MMMU, значительно превосходящая существующие модели с открытым исходным кодом с сильными математическими и логическими возможностями рассуждений.
• Эффективность развертывания Эффективность развертыванияСкорость реакции модели значительно повышается при использовании входных данных высокого разрешения, а пропускная способность модели 38B увеличивается в 4,05 раза, что значительно снижает фактическую стоимость развертывания.

Каков официальный сайт InternVL3.5?

• Репозиторий Github:: https://github.com/OpenGVLab/InternVL
• Адрес модели HuggingFace:: https://huggingface.co/OpenGVLab/InternVL3_5-241B-A28B
• Технический отчет:: https://huggingface.co/papers/2508.18265
• Адрес онлайн-опыта:: https://chat.intern-ai.org.cn/

Люди, для которых предназначен InternVL3.5

• Исследователи искусственного интеллекта: Модель предоставляет исследователям мощный мультимодальный исследовательский инструмент, который можно использовать для изучения новых алгоритмов, архитектур моделей и сценариев применения, продвигая академические исследования в области мультимодального ИИ.
• разработчик программного обеспеченияРазработчики могут использовать открытый исходный код и гибкие варианты развертывания для интеграции модели в различные программные приложения и разработки продуктов и услуг с возможностями интеллектуального взаимодействия.
• Преподаватели и студенты: В сфере образования мультимодальные рассуждения и возможности обработки текста модели могут быть использованы для разработки интеллектуальных инструментов репетиторства, помогающих студентам лучше понимать и решать сложные предметные задачи.
• создатель контентаСоздатели контента могут использовать возможности мультимодального восприятия и генерации текста для быстрого создания креативного контента, такого как описания изображений, подписи к видео, статьи и т. д., чтобы повысить эффективность творческой деятельности.
• Пользователи средств автоматизации офисаФункция графического интерфейса позволяет пользователям автоматизировать кросс-платформенные офисные операции, повысить эффективность работы и сократить количество повторяющихся задач.