InternVL3.5 – 上海AI Lab開源的多模態大模型

InternVL3.5：書生·萬象3.5，引領開源多模態大模型新紀元

InternVL3.5（書生·萬象3.5）是由上海人工智能實驗室推出的性開源多模態大模型。該模型在通用能力、推理效能以及部署效率上實現了全方位的飛躍，提供從10億到2410億參數的九種規格，滿足不同算力需求。其獨特之處在于，InternVL3.5是首個整合GPT-OSS語言模型基座的開源多模態大模型，并引入了稠密模型與專家混合模型（MoE）架構。通過創新的級聯式強化學習（Cascade RL）框架，以及“離線預熱-在線精調”的兩階段優化流程，InternVL3.5在多學科推理任務上表現卓越，旗艦模型InternVL3.5-241B-A28B在MMMU基準測試中以77.7分拔得開源模型頭籌，超越GPT-5。同時，動態視覺分辨率路由（ViR）和解耦部署框架（DvD）的引入，顯著提升了模型在高分辨率圖像處理時的響應速度和吞吐量，例如38B模型的吞吐量提升高達4.05倍。

核心亮點與功能概覽

InternVL3.5在多模態感知、推理、文本處理、GUI智能體、具身空間推理以及矢量圖形處理等多個維度均展現出領先實力：

• 卓越的多模態感知能力：在圖像、視頻問答等任務中表現搶眼，241B-A28B模型以74.1的平均得分，與GPT-5（74.0）不相上下，領跑開源界。
• 強大的多模態推理能力：在MMMU基準測試中，得分提升超過5個百分點，達到77.7分，確立了其在開源模型中的領先地位。
• 出色的文本處理能力：在AIME、GPQA、IFEval等一系列基準測試中，模型平均得分高達85.3，展現了其在復雜文本理解與生成方面的優勢。
• 進化的GUI智能體：顯著增強了跨平臺自動化操作能力，在ScreenSpot GUI定位任務中以92.9分遙遙領先。
• 精深的具身空間推理：擁有更強的泛化能力，能夠適應全新、復雜的具身場景，并支持可泛化的長程物體抓取。
• 高效的矢量圖形處理：在SGP-Bench上刷新了70.7分的開源記錄，為網頁圖形生成和工程圖紙解析等專業領域提供了強大支持。

技術基石：創新驅動的底層架構

InternVL3.5的強大性能源于其多項創新技術：

• 級聯式強化學習（Cascade RL）：通過“離線預熱-在線精調”的精巧設計，利用混合偏好優化（MPO）和GSPO算法，實現推理能力的快速提升和訓練的穩定性。
• 動態視覺分辨率路由（ViR）：智能地為圖像的不同區域分配不同壓縮率，確保關鍵信息的高分辨率呈現，從而在加速推理的同時，最大程度地保留模型性能。
• 解耦部署框架（DvD）：通過將視覺編碼器與語言模型分離部署，并結合BF16精度特征傳輸與異步流水線技術，實現了視覺與語言處理的并行化，大幅提升了整體吞吐量。
• 多樣化的模型尺寸與架構：提供從10億到2410億參數的九種規格，支持稠密模型和專家混合模型（MoE），并率先集成GPT-OSS語言模型基座，滿足多樣化的應用需求。
• 多模態協同推理機制：通過深度融合視覺與語言等多種模態信息，顯著增強了模型處理復雜任務的能力，推動了多模態技術從“理解”到“行動”的轉變。

項目資源與在線體驗

您可以通過以下鏈接深入了解InternVL3.5的更多信息并進行體驗：

• Github倉庫：https://github.com/OpenGVLab/InternVL
• HuggingFace模型：https://huggingface.co/OpenGVLab/InternVL3_5-241B-A28B
• 技術報告：https://huggingface.co/papers/2508.18265
• 在線體驗：通過書生大模型平臺進行嘗試。

廣泛的應用場景

InternVL3.5憑借其強大的多模態能力，在多個領域展現出廣闊的應用前景：

• 賦能辦公自動化：通過GUI智能體，實現跨平臺辦公流程的自動化，如數據錄入、文檔排版、郵件處理等，極大地提升工作效率。
• 驅動智能家居：利用具身空間推理能力，協助機器人進行家庭環境中的物品定位、路徑規劃和物理交互，例如優化智能清潔機器人的工作路徑。
• 革新教育輔導：結合多模態推理與文本能力，為學生提供個性化、智能化的學習支持，解答復雜的學科問題，提升學習體驗。
• 加速內容創作：利用多模態感知能力，自動生成圖像描述、視頻字幕等內容，助力內容創作者提升效率和創意表現力。
• 優化網頁設計與圖形生成：借助矢量圖形處理能力，輕松生成或編輯SVG矢量圖形，為網頁設計、圖標制作等提供高效、個性化的解決方案。