模型介绍
中文整理InternVL3.55-1B-Flash
模型用途
InternVL3.5是一款开源多模态大语言模型系列，支持图像与文本的联合理解与推理。该模型采用ViT-MLP-LLM架构，可处理视觉问答、图像描述、复杂推理等多种多模态任务。
主要能力
InternVL3.5在多模态理解、推理能力、文本处理和智能体任务方面具有竞争力。该模型支持GUI交互和具身智能等新能力。Flash版本通过视觉分辨率路由器（ViR）动态调整视觉token分辨率，在保持性能的同时显著降低推理成本。模型支持"思考模式"（Thinking mode），可进行逐步推理以提升复杂问题的解决能力。推理时可采用Best-of-N策略从多个候选中选择最优回答。
输入输出
输入：图像和文本的组合
输出：文本回复
运行要求
InternVL3.5-5-1B-Flash为轻量级版本，视觉参数约0.3B，语言参数约0.8B，总参数量约1.1B。该版本经过视觉一致性学习（ViCO）训练，将每个图像patch压缩至64个token，视觉token数量减少50%，适合资源受限场景。模型需要GPU进行推理部署。
基本用法
使用VLMEvalkit进行评测。如需启用思考模式，请将系统提示设置为R1 SYSTEM PROMPT。启用思考模式时，建议设置do_sample=True和temperature=0.6以减少不必要的重复。
限制
除非特别说明，论文中报告的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，因为模型在感知和理解能力方面已表现较强，启用TTS未带来显著提升。
许可证
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。