InternVL3.5

InternVL3.5 – 上海AI Lab开源的多模态大模型

InternVL3.5：书生·万象3.5，引领开源多模态大模型新纪元

InternVL3.5（书生·万象3.5）是由上海人工智能实验室推出的性开源多模态大模型。该模型在通用能力、推理效能以及部署效率上实现了全方位的飞跃，提供从10亿到2410亿参数的九种规格，满足不同算力需求。其独特之处在于，InternVL3.5是首个整合GPT-OSS语言模型基座的开源多模态大模型，并引入了稠密模型与专家混合模型（MoE）架构。通过创新的级联式强化学习（Cascade RL）框架，以及“离线预热-在线精调”的两阶段优化流程，InternVL3.5在多学科推理任务上表现卓越，旗舰模型InternVL3.5-241B-A28B在MMMU基准测试中以77.7分拔得开源模型头筹，超越GPT-5。同时，动态视觉分辨率路由（ViR）和解耦部署框架（DvD）的引入，显著提升了模型在高分辨率图像处理时的响应速度和吞吐量，例如38B模型的吞吐量提升高达4.05倍。

核心亮点与功能概览

InternVL3.5在多模态感知、推理、文本处理、GUI智能体、具身空间推理以及矢量图形处理等多个维度均展现出领先实力：

• 卓越的多模态感知能力：在图像、视频问答等任务中表现抢眼，241B-A28B模型以74.1的平均得分，与GPT-5（74.0）不相上下，领跑开源界。
• 强大的多模态推理能力：在MMMU基准测试中，得分提升超过5个百分点，达到77.7分，确立了其在开源模型中的领先地位。
• 出色的文本处理能力：在AIME、GPQA、IFEval等一系列基准测试中，模型平均得分高达85.3，展现了其在复杂文本理解与生成方面的优势。
• 进化的GUI智能体：显著增强了跨平台自动化操作能力，在ScreenSpot GUI定位任务中以92.9分遥遥领先。
• 精深的具身空间推理：拥有更强的泛化能力，能够适应全新、复杂的具身场景，并支持可泛化的长程物体抓取。
• 高效的矢量图形处理：在SGP-Bench上刷新了70.7分的开源记录，为网页图形生成和工程图纸解析等专业领域提供了强大支持。

技术基石：创新驱动的底层架构

InternVL3.5的强大性能源于其多项创新技术：

• 级联式强化学习（Cascade RL）：通过“离线预热-在线精调”的精巧设计，利用混合偏好优化（MPO）和GSPO算法，实现推理能力的快速提升和训练的稳定性。
• 动态视觉分辨率路由（ViR）：智能地为图像的不同区域分配不同压缩率，确保关键信息的高分辨率呈现，从而在加速推理的同时，最大程度地保留模型性能。
• 解耦部署框架（DvD）：通过将视觉编码器与语言模型分离部署，并结合BF16精度特征传输与异步流水线技术，实现了视觉与语言处理的并行化，大幅提升了整体吞吐量。
• 多样化的模型尺寸与架构：提供从10亿到2410亿参数的九种规格，支持稠密模型和专家混合模型（MoE），并率先集成GPT-OSS语言模型基座，满足多样化的应用需求。
• 多模态协同推理机制：通过深度融合视觉与语言等多种模态信息，显著增强了模型处理复杂任务的能力，推动了多模态技术从“理解”到“行动”的转变。

项目资源与在线体验

您可以通过以下链接深入了解InternVL3.5的更多信息并进行体验：

• Github仓库：https://github.com/OpenGVLab/InternVL
• HuggingFace模型：https://huggingface.co/OpenGVLab/InternVL3_5-241B-A28B
• 技术报告：https://huggingface.co/papers/2508.18265
• 在线体验：通过书生大模型平台进行尝试。

广泛的应用场景

InternVL3.5凭借其强大的多模态能力，在多个领域展现出广阔的应用前景：

• 赋能办公自动化：通过GUI智能体，实现跨平台办公流程的自动化，如数据录入、文档排版、邮件处理等，极大地提升工作效率。
• 驱动智能家居：利用具身空间推理能力，协助机器人进行家庭环境中的物品定位、路径规划和物理交互，例如优化智能清洁机器人的工作路径。
• 革新教育辅导：结合多模态推理与文本能力，为学生提供个性化、智能化的学习支持，解答复杂的学科问题，提升学习体验。
• 加速内容创作：利用多模态感知能力，自动生成图像描述、视频字幕等内容，助力内容创作者提升效率和创意表现力。
• 优化网页设计与图形生成：借助矢量图形处理能力，轻松生成或编辑SVG矢量图形，为网页设计、图标制作等提供高效、个性化的解决方案。