---

license: apache-2.0 license_name: qwen license_link: https://huggingface.co/Qwen/Qwen2.5-72B-Instruct/blob/main/LICENSE pipeline_tag: image-text-to-text library_name: transformers base_model:

• OpenGVLab/InternViT-300M-448px-V2_5
• Qwen/Qwen2.5-0.5B base_model_relation: merge language:
• multilingual tags:
• internvl
• custom_code

---

InternVL3-1B预训练版

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

[🆕 博客] [🗨️ 对话演示] [🤗 HF演示] [🚀 快速开始] [📖 文档]

简介

这是InternVL3-1B的预训练版本，已完成原生多模态预训练但未进行后训练（即SFT和MPO）。如果您不确定使用哪个版本，请使用InternVL3-1B版本。

我们推出InternVL3系列——一个展现卓越综合性能的先进多模态大语言模型（MLLM）。相比InternVL 2.5，InternVL3展现出更强大的多模态感知与推理能力，同时将多模态能力扩展到工具使用、GUI代理、工业图像分析、3D视觉感知等新领域。通过与Qwen2.5 Chat模型的对比测试（其对应预训练基模型被用作InternVL3语言组件的初始化），得益于原生多模态预训练技术，InternVL3系列甚至在纯文本任务上也超越了Qwen2.5系列的表现。

InternVL3家族

下表概述了InternVL3系列的主要成员：

模型名称	视觉部分	语言部分	HF链接
InternVL3-1B	InternViT-300M-448px-V2_5	Qwen2.5-0.5B	🤗 链接
InternVL3-2B	InternViT-300M-448px-V2_5	Qwen2.5-1.5B	🤗 链接
InternVL3-8B	InternViT-300M-448px-V2_5	Qwen2.5-7B	🤗 链接
InternVL3-9B	InternViT-300M-448px-V2_5	internlm3-8b-instruct	🤗 链接
InternVL3-14B	InternViT-300M-448px-V2_5	Qwen2.5-14B	🤗 链接
InternVL3-38B	InternViT-6B-448px-V2_5	Qwen2.5-32B	🤗 链接
InternVL3-78B	InternViT-6B-448px-V2_5	Qwen2.5-72B	🤗 链接

模型架构

如图所示，InternVL3延续了InternVL 2.5及其前代1.5和2.0版本的"ViT-MLP-LLM"架构范式。本版本中，我们通过随机初始化的MLP投影器，将增量预训练后的InternViT与包括InternLM 3和Qwen 2.5在内的多种预训练LLM进行整合。

延续前代设计，我们采用像素重组操作将视觉token数量压缩至原始的四分之一，并沿袭InternVL 1.5的动态分辨率策略，将图像分割为448×448像素的图块。自InternVL 2.0起新增的关键特性是对多图像和视频数据的支持。

值得注意的是，InternVL3集成了可变视觉位置编码(V2PE)技术，通过更小、更灵活的位置增量处理视觉token。得益于V2PE，InternVL3展现出优于前代的长上下文理解能力。

训练策略

原生多模态预训练

我们提出原生多模态预训练方法，将语言与视觉学习统一在单一预训练阶段。不同于先训练纯语言模型再适配多模态的标准范式，该方法将多模态数据（如图文对、视频文本或图文交错序列）与大规模文本语料交织训练。这种统一训练方案使模型能同步学习语言与多模态表征，最终无需额外对齐模块即可增强视觉语言任务处理能力。详见论文。

监督微调

本阶段采用了InternVL2.5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。相比InternVL2.5，InternVL3的SFT阶段主要突破在于使用了更高质量、更多样化的训练数据，特别扩展了工具使用、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等训练样本。

混合偏好优化

预训练和SFT阶段模型基于历史真实token预测下一token，而推理时则依赖自身生成结果，这种分布差异会损害思维链推理能力。我们采用MPO技术，通过正负样本的额外监督对齐模型响应与真实分布，提升推理性能。具体而言，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\(\mathcal{L}_{\text{g}}\)的加权组合：

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

其中\(w_{*}\)为各损失权重。详见MPO论文。

测试时扩展

测试时扩展被证明是增强LLM和MLLM推理能力的有效方法。本研究采用Best-of-N评估策略，使用VisualPRM-8B作为评判模型选择最优响应进行推理和数学评估。

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

通过将InternVL3与Qwen2.5 Chat系列对比（其对应预训练基模型被用作InternVL3语言组件初始化），得益于原生多模态预训练，InternVL3系列在纯文本任务上整体超越Qwen2.5系列。请注意Qwen2.5系列的评估分数可能与其官方报告存在差异，因为我们在所有数据集中统一采用表格提供的prompt版本进行OpenCompass评估。

消融研究

原生多模态预训练

我们在保持InternVL2-8B架构、初始化参数和训练数据完全不变的情况下进行实验。传统上，InternVL2-8B采用MLP预热特征对齐后接指令微调的训练流程。实验中，我们将传统MLP预热阶段替换为原生多模态预训练过程，以此分离原生多模态预训练对模型多模态能力的贡献。

下图评估结果显示，采用原生多模态预训练的模型在多数基准测试中表现与完整多阶段训练的InternVL2-8B基线相当。当后续在更高质量数据上进行指令微调时，模型在所有评估的多模态任务中均展现出进一步性能提升。这些发现印证了原生多模态预训练在赋予MLLM强大多模态能力方面的高效性。

混合偏好优化

如下表所示，经MPO微调的模型在七个多模态推理基准上均优于未使用MPO的对应模型。具体而言，InternVL3-78B和InternVL3-38B分别超越对应版本4.1和4.5个点。值得注意的是，MPO训练数据是SFT数据的子集，表明性能提升主要源于训练算法而非数据。

可变视觉位置编码

下表显示，引入V2PE带来大多数评估指标的显著提升。此外，通过调整位置增量\( \delta \)的消融实验发现，即使对于主要涉及常规上下文的任务，相对较小的\( \delta \)值也能实现最佳性能。这些发现为未来优化MLLM视觉token位置编码策略提供了重要参考。

快速开始

我们提供使用transformers运行InternVL3-1B的示例代码。

请使用transformers>=4.37.2以确保模型正常运行。

模型加载

16位精度(bf16/fp16)

import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-1B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True).eval().cuda()

BNB 8位量化

import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-1B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    load_in_8bit=True,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True).eval()

多GPU部署

这种编码方式可避免多GPU推理时因张量不在同一设备导致的错误，通过确保大语言模型(LLM)的首尾层位于同一设备实现。

import math
import torch
from transformers import AutoTokenizer, AutoModel

def split_model(model_name):
    device_map = {}
    world_size = torch.cuda.device_count()
    config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
    num_layers = config.llm_config.num_hidden_layers
    # 由于首GPU将用于ViT，视其为半个GPU
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map['language_model.lm_head'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

path = "OpenGVLab/InternVL3-1B"
device_map = split_model('InternVL3-1B')
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True,
    device_map=device_map).eval()

Transformers推理

import math
import numpy as np
import torch
import torchvision.transforms as T
from decord import VideoReader, cpu
from PIL import Image
from torchvision.transforms.functional import InterpolationMode
from transformers import AutoModel, AutoTokenizer

IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)

def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform

def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio

def dynamic_preprocess(image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # 计算现有图像宽高比
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # 寻找最接近目标宽高比
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # 计算目标宽高
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # 调整图像尺寸
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # 分割图像
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images

def load_image(image_file, input_size=448, max_num=12):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values

def split_model(model_name):
    device_map = {}
    world_size = torch.cuda.device_count()
    config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
    num_layers = config.llm_config.num_hidden_layers
    # 由于首GPU将用于ViT，视其为半个GPU
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map['language_model.lm_head'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

# 若设置`load_in_8bit=True`需两块80GB GPU
# 若设置`load_in_8bit=False`需至少三块80GB GPU
path = 'OpenGVLab/InternVL3-1B'
device_map = split_model('InternVL3-1B')
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    load_in_8bit=False,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True,
    device_map=device_map).eval()
tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True, use_fast=False)

# 在`max_num`中设置最大分块数
pixel_values = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
generation_config = dict(max_new_tokens=1024, do_sample=True)

# 纯文本对话
question = '你好，你是谁？'
response, history = model.chat(tokenizer, None, question, generation_config, history=None, return_history=True)
print(f'用户: {question}\n助手: {response}')

question = '能给我讲个故事吗？'
response, history = model.chat(tokenizer, None, question, generation_config, history=history, return_history=True)
print(f'用户: {question}\n助手: {response}')

# 单图单轮对话
question = '<image>\n请简要描述这张图片。'
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(f'用户: {question}\n助手: {response}')

# 单图多轮对话
question = '<image>\n请详细描述这张图片。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config, history=None, return_history=True)
print(f'用户: {question}\n助手: {response}')

question = '请根据图片创作一首诗。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config, history=history, return_history=True)
print(f'用户: {question}\n助手: {response}')

# 多图多轮对话（拼接图像）
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)

question = '<image>\n详细描述这两张图片。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               history=None, return_history=True)
print(f'用户: {question}\n助手: {response}')

question = '这两张图片有什么异同点？'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               history=history, return_history=True)
print(f'用户: {question}\n助手: {response}')

# 多图多轮对话（独立图像）
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)
num_patches_list = [pixel_values1.size(0), pixel_values2.size(0)]

question = '图片1: <image>\n图片2: <image>\n详细描述这两张图片。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list,
                               history=None, return_history=True)
print(f'用户: {question}\n助手: {response}')

question = '这两张图片有什么异同点？'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list,
                               history=history, return_history=True)
print(f'用户: {question}\n助手: {response}')

# 批处理推理（单图样本）
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
num_patches_list = [pixel_values1.size(0), pixel_values2.size(0)]
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)

questions = ['<image>\n详细描述这张图片。'] * len(num_patches_list)
responses = model.batch_chat(tokenizer, pixel_values,
                             num_patches_list=num_patches_list,
                             questions=questions,
                             generation_config=generation_config)
for question, response in zip(questions, responses):
    print(f'用户: {question}\n助手: {response}')

# 视频多轮对话
def get_index(bound, fps, max_frame, first_idx=0, num_segments=32):
    if bound:
        start, end = bound[0], bound[1]
    else:
        start, end = -100000, 100000
    start_idx = max(first_idx, round(start * fps))
    end_idx = min(round(end * fps), max_frame)
    seg_size = float(end_idx - start_idx) / num_segments
    frame_indices = np.array([
        int(start_idx + (seg_size / 2) + np.round(seg_size * idx))
        for idx in range(num_segments)
    ])
    return frame_indices

def load_video(video_path, bound=None, input_size=448, max_num=1, num_segments=32):
    vr = VideoReader(video_path, ctx=cpu(0), num_threads=1)
    max_frame = len(vr) - 1
    fps = float(vr.get_avg_fps())

    pixel_values_list, num_patches_list = [], []
    transform = build_transform(input_size=input_size)
    frame_indices = get_index(bound, fps, max_frame, first_idx=0, num_segments=num_segments)
    for frame_index in frame_indices:
        img = Image.fromarray(vr[frame_index].asnumpy()).convert('RGB')
        img = dynamic_preprocess(img, image_size=input_size, use_thumbnail=True, max_num=max_num)
        pixel_values = [transform(tile) for tile in img]
        pixel_values = torch.stack(pixel_values)
        num_patches_list.append(pixel_values.shape[0])
        pixel_values_list.append(pixel_values)
    pixel_values = torch.cat(pixel_values_list)
    return pixel_values, num_patches_list

video_path = './examples/red-panda.mp4'
pixel_values, num_patches_list = load_video(video_path, num_segments=8, max_num=1)
pixel_values = pixel_values.to(torch.bfloat16).cuda()
video_prefix = ''.join([f'帧{i+1}: <image>\n' for i in range(len(num_patches_list))])
question = video_prefix + '这只小熊猫在做什么？'
# 帧1: <image>\n帧2: <image>\n...\n帧8: <image>\n{问题}
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list, history=None, return_history=True)
print(f'用户: {question}\n助手: {response}')

question = '详细描述这段视频。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list, history=history, return_history=True)
print(f'用户: {question}\n助手: {response}')

流式输出

除上述方法外，也可使用以下代码实现流式输出：

from transformers import TextIteratorStreamer
from threading import Thread

# 初始化流式输出器
streamer = TextIteratorStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True, timeout=10)
# 定义生成配置
generation_config = dict(max_new_tokens=1024, do_sample=False, streamer=streamer)
# 在独立线程中启动模型对话
thread = Thread(target=model.chat, kwargs=dict(
    tokenizer=tokenizer, pixel_values=pixel_values, question=question,
    history=None, return_history=False, generation_config=generation_config,
))
thread.start()

# 初始化空字符串存储生成文本
generated_text = ''
# 遍历流式输出器获取实时生成文本
for new_text in streamer:
    if new_text == model.conv_template.sep:
        break
    generated_text += new_text
    print(new_text, end='', flush=True)  # 在同一行打印每个新生成文本块

微调

目前多个代码库支持InternVL系列模型的微调，包括InternVL、SWIFT、XTurner等。具体微调方法请参阅各项目文档。

部署

LMDeploy

LMDeploy是用于压缩、部署和服务LLM & VLM的工具包。

# 若lmdeploy<0.7.3，需显式设置chat_template_config=ChatTemplateConfig(model_name='internvl2_5')
pip install lmdeploy>=0.7.3

LMDeploy将复杂多模态视觉语言模型(VLM)的推理过程抽象为类似大语言模型(LLM)的易用流水线。

"Hello, world"示例

from lmdeploy import pipeline, TurbomindEngineConfig, ChatTemplateConfig
from lmdeploy.vl import load_image

model = 'OpenGVLab/InternVL3-1B'
image = load_image('https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/tests/data/tiger.jpeg')
pipe = pipeline(model, backend_config=TurbomindEngineConfig(session_len=16384, tp=1), chat_template_config=ChatTemplateConfig(model_name='internvl2_5'))
response = pipe(('描述这张图片', image))
print(response.text)

若执行时出现ImportError，请按提示安装依赖包。

多图像推理

处理多图像时可将其全部放入列表。注意多图像会增加输入token数，通常需要扩展上下文窗口大小。

from lmdeploy import pipeline, TurbomindEngineConfig, ChatTemplateConfig
from lmdeploy.vl import load_image
from lmdeploy.vl.constants import IMAGE_TOKEN

model = 'OpenGVLab/InternVL3-1B'
pipe = pipeline(model, backend_config=TurbomindEngineConfig(session_len=16384, tp=1), chat_template_config=ChatTemplateConfig(model_name='internvl2_5'))

image_urls=[
    'https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/demo/resources/human-pose.jpg',
    'https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/demo/resources/det.jpg'
]

images = [load_image(img_url) for img_url in image_urls]
# 图像编号可提升多图对话效果
response = pipe((f'图片1: {IMAGE_TOKEN}\n图片2: {IMAGE_TOKEN}\n描述这两张图片', images))
print(response.text)

批量提示推理

批量提示推理非常简单，只需将提示放入列表结构：

from lmdeploy import pipeline, TurbomindEngineConfig, ChatTemplateConfig
from lmdeploy.vl import load_image

model = 'OpenGVLab/InternVL3-1B'
pipe = pipeline(model, backend_config=TurbomindEngineConfig(session_len=16384, tp=1), chat_template_config=ChatTemplateConfig(model_name='internvl2_5'))

image_urls=[
    "https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/demo/resources/human-pose.jpg",
    "https://raw.githubusercontent.com/open-mmlab/mmdeploy/main/demo/resources/det.jpg"
]
prompts = [('描述这张图片', load_image(img_url)) for img_url in image_urls]
response = pipe(prompts)
print(response)

多轮对话

有两种方式实现多轮对话：一种是按OpenAI格式构造消息并使用上述方法，另一种是使用pipeline.chat接口。

from lmdeploy import pipeline, TurbomindEngineConfig, GenerationConfig, ChatTemplateConfig
from lmdeploy.vl import load_image

model = 'OpenGVLab/InternVL3-1B'
pipe = pipeline(model, backend_config=TurbomindEngineConfig(session_len=16384, tp=1), chat_template_config=ChatTemplateConfig(model_name