许可证：其他 许可证名称：qwen 许可证链接：https://huggingface.co/Qwen/Qwen2.5-72B-Instruct/blob/main/LICENSE 任务标签：图像文本到文本 库名称：transformers 基础模型：

• OpenGVLab/InternViT-300M-448px-V2_5
• Qwen/Qwen2.5-0.5B 基础模型关系：合并 数据集：
• OpenGVLab/MMPR-v1.2 语言：
• 多语言 标签：
• internvl
• 自定义代码

InternVL3-1B

[📂 GitHub] [📜 InternVL 1.0] [📜 InternVL 1.5] [📜 InternVL 2.5] [📜 InternVL2.5-MPO] [📜 InternVL3]

[🆕 博客] [🗨️ 聊天演示] [🤗 HF 演示] [🚀 快速开始] [📖 文档]

简介

我们推出InternVL3，这是一个先进的多模态大语言模型（MLLM）系列，展示了卓越的整体性能。与InternVL 2.5相比，InternVL3表现出更优的多模态感知和推理能力，同时进一步扩展其多模态能力，涵盖工具使用、GUI代理、工业图像分析、3D视觉感知等。此外，我们将InternVL3与Qwen2.5 Chat模型进行比较，后者的相应预训练基础模型被用作InternVL3中语言组件的初始化。得益于原生多模态预训练，InternVL3系列在整体文本性能上甚至优于Qwen2.5系列。

InternVL3系列

在下表中，我们概述了InternVL3系列。

模型架构

如下图所示，InternVL3保留了与InternVL 2.5及其前身InternVL 1.5和2.0相同的模型架构，遵循“ViT-MLP-LLM”范式。在这个新版本中，我们整合了一个新增加的预训练InternViT与各种预训练LLM，包括InternLM 3和Qwen 2.5，使用随机初始化的MLP投影器。

与之前的版本一样，我们应用了像素解混操作，将视觉标记的数量减少到原始的四分之一。此外，我们采用了与InternVL 1.5类似的动态分辨率策略，将图像划分为448×448像素的块。从InternVL 2.0开始的关键区别是，我们额外引入了对多图像和视频数据的支持。

值得注意的是，在InternVL3中，我们整合了可变视觉位置编码（V2PE），它使用更小、更灵活的位置增量来处理视觉标记。得益于V2PE，InternVL3在长上下文理解能力上优于其前身。

训练策略

原生多模态预训练

我们提出了一种原生多模态预训练方法，将语言和视觉学习整合到一个预训练阶段。与首先训练纯语言模型然后适应处理其他模态的标准范式相比，我们的方法将多模态数据（如图像-文本、视频-文本或图像-文本交错序列）与大规模文本语料库交错。这种统一的训练方案使模型能够同时学习语言和多模态表示，最终增强其处理视觉语言任务的能力，而无需单独的对齐或桥接模块。详情请参阅我们的论文。

监督微调

在这个阶段，InternVL2.5中提出的随机JPEG压缩、平方损失重加权和多模态数据打包技术也被用于InternVL3系列。InternVL3在SFT阶段的主要进步在于使用了更高质量和更多样化的训练数据。具体来说，我们进一步扩展了工具使用、3D场景理解、GUI操作、长上下文任务、视频理解、科学图表、创意写作和多模态推理的训练样本。

混合偏好优化

在预训练和SFT期间，模型被训练为基于先前真实标记预测下一个标记。然而，在推理过程中，模型基于其自身的先前输出预测每个标记。这种真实标记和模型预测标记之间的分布差异引入了分布偏移，可能会损害模型的链式思维（CoT）推理能力。为了缓解这个问题，我们采用了MPO，它引入了来自正负样本的额外监督，以将模型响应分布与真实分布对齐，从而提高推理性能。具体来说，MPO的训练目标是偏好损失\(\mathcal{L}{\text{p}}\)、质量损失\(\mathcal{L}{\text{q}}\)和生成损失\(\mathcal{L}_{\text{g}}\)的组合，可以表示为：

$$ \mathcal{L}=w_{p}\cdot\mathcal{L}{\text{p}} + w{q}\cdot\mathcal{L}{\text{q}} + w{g}\cdot\mathcal{L}_{\text{g}}, $$

其中\(w_{*}\)表示分配给每个损失组件的权重。详情请参阅我们的论文。

测试时缩放

测试时缩放已被证明是增强LLM和MLLM推理能力的有效方法。在这项工作中，我们使用Best-of-N评估策略，并采用VisualPRM-8B作为评判模型，为推理和数学评估选择最佳响应。

多模态能力评估

多模态推理和数学

OCR、图表和文档理解

多图像和现实世界理解

综合多模态和幻觉评估

视觉定位

多模态多语言理解

视频理解

GUI定位

空间推理

语言能力评估

我们将InternVL3与Qwen2.5 Chat模型进行比较，后者的相应预训练基础模型被用作InternVL3中语言组件的初始化。得益于原生多模态预训练，InternVL3系列在整体文本性能上甚至优于Qwen2.5系列。请注意，Qwen2.5系列的评估分数可能与官方报告的不同，因为我们在所有数据集上采用了表中提供的提示版本进行OpenCompass评估。

![