---

许可证：apache-2.0
许可证名称：qwen
许可证链接：https://huggingface.co/Qwen/Qwen2.5-72B-Instruct/blob/main/LICENSE
管道标签：图像文本到文本
库名称：transformers
基础模型：

• OpenGVLab/InternViT-300M-448px-V2_5
• Qwen/Qwen2.5-1.5B
  基础模型关系：合并
  语言：
• 多语言
  标签：
• internvl
• 自定义代码

InternVL3-2B-预训练版

[📂 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InternVL3-2B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InternVL3-2B版本。

我们推出InternVL3系列，这是一款先进的多模态大语言模型（MLLM），展现出卓越的整体性能。
相比InternVL 2.5，InternVL3具备更强大的多模态感知与推理能力，同时进一步扩展了多模态功能，涵盖工具使用、GUI代理、工业图像分析、3D视觉感知等领域。
此外，我们将InternVL3与Qwen2.5 Chat模型进行对比，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家族

下表概述了InternVL3系列模型。

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，我们通过随机初始化的MLP投影器，将新增量预训练的InternViT与包括InternLM 3和Qwen 2.5在内的多种预训练LLM集成。

与前一版本相同，我们应用了像素反洗牌操作，将视觉标记数量减少至原始的四分之一。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），该编码为视觉标记使用更小、更灵活的位置增量。得益于V2PE，InternVL3相比其前身展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预训练阶段。
与标准范式（先训练纯语言模型，再适应处理其他模态）不同，我们的方法将多模态数据（如图文、视频文本或图文交错序列）与大规模文本语料库交织在一起。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，而无需单独的校准或桥接模块。
详情请参阅我们的论文。

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。
具体而言，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，模型基于其自身先前的输出来预测每个标记。
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MPO，通过引入来自正负样本的额外监督，将模型响应分布与真实分布对齐，从而提高推理性能。
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\(\mathcal{L}_{\text{g}}\)的组合，可以表述如下：

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

其中\(w_{*}\)表示分配给每个损失组件的权重。有关MPO的更多详情，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

多模态推理与数学

OCR、图表与文档理解

多图像与现实世界理解

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模型进行对比，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中采用了表格中提供的提示版本进行OpenCompass评估。

消融研究

原生多模态预训练

我们在InternVL2-8B模型上进行了实验，保持其架构、初始化参数和训练数据完全不变。传统上，InternVL2-8B采用从MLP预热阶段开始的训练流程，随后是指令调优阶段。在我们的实验中，我们用原生多模态预训练过程替代了传统的MLP预热阶段。这一修改隔离了原生多模态预训练对模型整体多模态能力的贡献。

下图中的评估结果显示，经过原生多模态预训练的模型在大多数基准测试上的性能与完全多阶段训练的InternVL2-8B基线相当。此外，当在更高质量的数据上进行指令调优后，模型在所有评估的多模态任务中展现出进一步的性能提升。这些发现强调了原生多模态预训练在赋予MLLM强大多模态能力方面的效率。

混合偏好优化

如下表所示，经过MPO微调的模型在七个多模态推理基准上展现出优于未使用MPO的对应模型的推理性能。具体而言，InternVL3-78B和InternVL3-38B分别比其对应模型高出4.1和4.5分。值得注意的是，用于MPO的训练数据是SFT所用数据的子集，这表明性能提升主要源于训练算法而非训练数据。

可变视觉位置编码

如下表所示，引入V2PE在大多数评估指标上带来了显著的性能提升。此外，我们的消融研究（通过改变位置增量\( \delta \)）揭示，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。这些发现为未来在MLLM中优化视觉标记位置编码策略的努力提供了重要见解。

快速开始

我们提供了一个示例代码，使用transformers运行InternVL3-2B。

请使用transformers>=4.37.2以确保模型正常工作。

模型加载

16位（bf16 / fp16）

import torch  
from transformers import AutoTokenizer, AutoModel  
path = "OpenGVLab/InternVL3-2B"  
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/InternVL3-2B"  
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

这样编写代码的原因是为了避免在多GPU推理期间由于张量不在同一设备上而导致的错误。通过确保大语言模型（LLM）的第一层和最后一层在同一设备上，我们防止了此类错误。

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  
    # 由于第一个GPU将用于ViT，将其视为半个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/InternVL3-2B"  
device_map = split_model('InternVL3-2B')  
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()  

使用Transformers进行推理

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  

    # 计算现有图像的宽高比  
    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])  

    # 找到最接近目标的宽高比  
    target_aspect_ratio = find_closest_aspect_ratio(  
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)  

    # 计算目标宽度和高度  
    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]  

    # 调整图像大小  
    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  
    # 由于第一个GPU将用于ViT，将其视为半个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  

# 如果设置`load_in_8bit=True`，您将需要两个80GB GPU。  
# 如果设置`load_in_8bit=False`，您将需要至少三个80GB GPU。  
path = 'OpenGVLab/InternVL3-2B'  
device_map = split_model('InternVL3-2B')  
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`中设置最大图块数  
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 = '你能给我讲个故事吗？'  
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 = '请根据这张图片写一首诗。'  
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 = '这两张图片有什么相似和不同之处？'  
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 = '这两张图片有什么相似和不同之处？'  
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，每个样本一张图  
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 + '红熊猫在做什么？'  
# 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 = '详细描述这个视频。'  
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

除了这种方法，您还可以使用以下代码获取流式输出。

from transformers import TextIteratorStreamer  
from threading import Thread  

# 初始化流式器  
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)  
# 在单独线程中启动模型聊天  
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()  

# 初始化空字符串以存储生成的文本  
generated_text = ''  
# 循环流式器以获取生成的新文本  
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的文本块  

微调

现在许多仓库支持InternVL系列模型的微调，包括InternVL、SWIFT、XTurner等。请参阅它们的文档以获取更多关于微调的详细信息。

部署

LMDeploy

LMDeploy是一个用于压缩、部署和服务LLM和VLM的工具包。

# 如果lmdeploy<0.7.3，您需要显式设置chat_template_config=ChatTemplateConfig(model_name='internvl2_5')  
pip install lmdeploy>=0.7.3  

LMDeploy将多模态视觉语言模型（VLM）的复杂推理过程抽象为一个易于使用的管道，类似于大语言模型（LLM）的推理管道。

一个“Hello, world”示例

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

model = 'OpenGVLab/InternVL3-2B'  
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)  

如果在执行此案例时出现ImportError，请按照提示安装所需的依赖包。

多图像推理

处理多张图像时，可以将它们全部放在一个列表中。请记住，多张图像会导致输入标记数量增加，因此通常需要增加上下文窗口的大小。

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

model = 'OpenGVLab/InternVL3-2B'