模型介绍
中文整理InternVL3.5-4B-Flash 模型卡片
模型用途
InternVL3.5-4B-Flash 是一个开源多模态大语言模型，属于 InternVL3.5 系列。该模型专注于提升多模态理解、推理能力和推理效率，适用于视觉问答、图像理解、复杂推理等多种多模态任务。
主要能力
模型采用级联强化学习（Cascade RL）框架，通过离线 RL 和在线 RL 两阶段训练增强推理能力。集成视觉分辨率路由器（ViR）技术，可动态调整视觉 token 分辨率，在保持性能的同时将视觉 token 数量减少 50%。支持 GUI 交互和具身代理能力。启用 Thinking 模式时可进行深度思考推理，通过 Best-of-N 策略实现并行思考。与前代 InternVL3 相比，推理性能提升最高达 16.0%，推理速度提升 4.05 倍。
输入输出
输入：图像和文本的组合，支持多轮对话。输出：文本回复，可包含推理过程和最终答案。
运行要求
视觉参数：0.3B，语言参数：4.4B，总参数：4.7B。采用 Qwen3 系列作为语言模型初始化，InternViT-300M 作为视觉编码器。上下文窗口支持 32K tokens。部署时可采用解耦视觉语言部署（DvD）策略，将视觉编码器和语言模型部署在不同 GPU 上以优化计算负载。
基本用法
启用 Thinking 模式时，需将系统提示词设置为 R1 SYSTEM PROMPT。建议设置 do_sample=True 和 temperature=0.6 以避免不必要的重复输出。
限制
除非特别说明，实验结果均未应用测试时扩展（TTS）。目前仅在推理基准测试中应用了 TTS，因为模型已具备较强的感知和理解能力。
许可证
开源模型，代码和模型权重已公开发布。
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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。
资料或下载有问题？
登录后可提交反馈。