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
任务标签：图像文本到文本
库名称：transformers
基础模型：

• OpenGVLab/InternVL3-14B-Instruct
  基础模型关系：微调
  语言：
• 多语言
  标签：
• internvl
• unsloth
• 自定义代码

Unsloth Dynamic 2.0 实现了更高的准确性，并优于其他领先的量化方法。

InternVL3-14B-Instruct

简介

这是 InternVL3-14B 的 SFT 版本，经过原生多模态预训练和 SFT，但未经过 MPO。如果您不确定使用哪个版本，请使用 InternVL3-14B 版本。

我们介绍了 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，其对应的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，我们提供了 InternVL3 系列的概述。

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，我们使用随机初始化的 MLP 投影器将新增加的预训练 InternViT 与各种预训练的 LLM（包括 InternLM 3 和 Qwen 2.5）集成在一起。

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。
与标准范式不同，后者首先训练一个纯语言模型，然后将其适应处理其他模态，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，而无需单独的校准或桥接模块。
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 的 SFT 阶段与 InternVL2.5 相比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的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分量的权重。有关 MPO 的更多细节，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 作为批评模型，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、图表和文档理解

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 模型进行比较，其对应的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 OpenCompass 评估中提供的提示版本。

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，同时保持其架构、初始化参数和训练数据完全不变。传统上，InternVL2-8B 采用了一个训练流程，从 MLP 预热阶段开始进行特征对齐，然后是指令调优阶段。在我们的实验中，我们用原生多模态预训练过程取代了传统的 MLP 预热阶段。这种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。

下图中的评估结果表明，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时，模型在评估的多模态任务上表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测试中表现出优于未经过 MPO 的对应模型的推理性能。具体来说，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 的训练数据是用于 SFT 的训练数据的一个子集，这表明性能提升主要来自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 \( \delta \)——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 InternVL3-14B。

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/InternVL3-14B"  
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/InternVL3-14B"  
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，我们可以防止此类错误。

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/InternVL3-14B"  
device_map = split_model('InternVL3-14B')  
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/InternVL3-14B'  
device_map = split_model('InternVL3-14B')  
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` 中设置最大切片数  
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（无图像输入）  
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}')  

# 单图像单轮对话（单图像单轮输入）  
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}')  

# 单图像多轮对话（单图像多轮输入）  
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}')  

# 多图像多轮对话，合并图像（多图像多轮输入，组合图像）  
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}')  

# 多图像多轮对话，单独图像（多图像多轮输入，分离图像）  
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 = 'Image-1: <image>\nImage-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}')  

# 批量推理，每个样本单图像（单图像批量推理）  
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（视频多轮输入）  
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'Frame{i+1}: <image>\n' for i in range(len(num_patches_list))])  
question = video_prefix + '红熊猫在做什么？'  
# Frame1: <image>\nFrame2: <image>\n...\nFrame8: <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)  
# 在单独的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,  
))