许可证：MIT
流水线标签：图像-文本到文本
库名称：transformers
基础模型：

• OpenGVLab/InternVL3-9B-Pretrained
  基础模型关系：微调
  语言：
• 多语言
  标签：
• internvl
• 自定义代码

InternVL3-9B-Instruct

[📂 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

这是InternVL3-9B的监督微调（SFT）版本，已完成原生多模态预训练和SFT，但未进行混合偏好优化（MPO）。如果您不确定使用哪个版本，请使用InternVL3-9B版本。

我们推出了InternVL3，这是一个先进的多模态大语言模型（MLLM）系列，展示了卓越的综合性能。
与InternVL 2.5相比，InternVL3表现出更强大的多模态感知和推理能力，同时进一步扩展了多模态能力，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模型进行了比较，后者的预训练基础模型被用作InternVL3语言组件的初始化。得益于原生多模态预训练，InternVL3系列在文本性能上甚至超越了Qwen2.5系列。

InternVL3系列

在下表中，我们概述了InternVL3系列模型。

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，我们集成了新增加的预训练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，我们采用了类似InternVL 1.5的动态分辨率策略，将图像划分为448×448像素的图块。从InternVL 2.0开始的关键区别在于，我们还引入了对多图像和视频数据的支持。

值得注意的是，在InternVL3中，我们集成了可变视觉位置编码（V2PE），它为视觉标记使用更小、更灵活的位置增量。得益于V2PE，InternVL3相比其前身表现出更好的长上下文理解能力。

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单一的预训练阶段。
与标准范式（首先训练纯语言模型，然后适应处理其他模态）不同，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。
更多细节请参阅我们的论文。

监督微调

在这一阶段，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应用于InternVL3系列。
InternVL3在SFT阶段相比InternVL2.5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。
这种真实标记与模型预测标记之间的差异引入了分布偏移，可能会损害模型的思维链（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。关于MPO的更多细节请参阅我们的论文。

测试时扩展

测试时扩展已被证明是增强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，选择推理和数学评估的最佳响应。

多模态能力评估

多模态推理与数学

OCR、图表与文档理解

多图像与真实世界理解

综合多模态与幻觉评估

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模型进行了比较，后者的预训练基础模型被用作InternVL3语言组件的初始化。
得益于原生多模态预训练，InternVL3系列在文本性能上甚至超越了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OpenCompass评估提供的提示版本。

![image/png](https://huggingface.co/d