All systems operationalAI Agent Automation Platform
English
Language简体中文EnglishSelected

Choose your language

InternVL3_5-2B-Flash

OpenGVLab/InternVL3_5-2B-Flash

PublisherOpenGVLab

Download access requirementsMirror available

InternVL3.5 5-2B-Flash InternVL3.5是一个开源多模态模型系列,旨在提升多模态任务的通用性、推理能力和推理效率。该模型支持图像与文本的联合理解与推理,具备GUI交互和具身代理等新能力。 InternVL3.5采用级联强化学习框架,通过离线强化学习实现稳定收敛,再通过在线强化学习进行精细对齐,显著提升下游推理任务性能。模型引入视觉分辨率路由器,可动态调整视觉token分辨率而不影响性能。解耦视觉-语言部署策略将视觉编码器和语言模型部署在不同GPU上

Vision & LanguageEmbedding & RetrievalText Chat
Model details

模型介绍

中文整理

InternVL3.5 5-2B-Flash

Model use case

InternVL3.5是一个开源多模态模型系列,旨在提升多模态任务的通用性、推理能力和推理效率。该模型支持图像与文本的联合理解与推理,具备GUI交互和具身代理等新能力。

主要能力

InternVL3.5采用级联强化学习框架,通过离线强化学习实现稳定收敛,再通过在线强化学习进行精细对齐,显著提升下游推理任务性能。模型引入视觉分辨率路由器,可动态调整视觉token分辨率而不影响性能。解耦视觉-语言部署策略将视觉编码器和语言模型部署在不同GPU上,有效平衡计算负载。InternVL3.5-Flash版本通过视觉一致性学习,将视觉token压缩至64个,在保持接近100%性能的同时减少50%的视觉token数量。模型支持深度思考模式,可进行逐步推理;支持并行思考策略,从多个候选答案中选择最优响应。

输入输出

输入:图像和文本的组合序列

输出:文本响应运行要求

模型提供多种参数规模版本,包括1B、2B、4B、8B、14B、38B等版本。启用思考模式需将系统提示设置为R1 SYSTEM PROMPT。建议设置do_sample=True和temperature=0.6以减少不必要的重复。上下文窗口设置为32K token以适应长上下文信息。

基本用法

使用VLMEvalkit进行评估。如不确定选择哪个版本,请选择不带后缀的版本,该版本已完成完整训练流程。

限制

除非另有说明,论文中报告的实验结果未应用测试时扩展。测试时扩展目前仅应用于推理基准测试,因为模型已展现出较强的感知和理解能力,启用测试时扩展未带来显著提升。

License

开源模型,模型权重和代码已公开发布。

优先采用原作者提供的中文模型卡片;仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。

你将获得什么

完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件;指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖,请按作者说明配齐。

完整仓库可能包含多个权重格式,因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。

使用前须知

运行环境

运行模型需要的设备、工具与依赖,以原作者说明为准。

授权范围

是否允许商用、修改和分发,请查看模型许可证。

闲社提供资料与镜像下载方法,不代表已运行模型或完成安全审计。下载的代码应先检查,再执行。

Back to top