模型介绍
中文整理InternVL3-78B-Instruct
模型用途
InternVL3-78B-Instruct 是 InternVL3 系列的指令微调版本，经过原生多模态预训练和监督微调，但未经过混合偏好优化（MPO）。如果您不确定使用哪个版本，请使用 InternVL3-78B 版本。
主要能力
InternVL3-78B 是一款先进的多模态大语言模型，在整体性能上表现优异。与 InternVL 2.5 相比，InternVL3 具有更强的多模态感知和推理能力，并进一步扩展了工具使用、GUI 智能体、工业图像分析、三维视觉感知等能力。得益于原生多模态预训练，InternVL3 系列在文本性能上优于 Qwen2.5 系列。
该模型支持多图像和视频数据处理，具备长上下文理解能力。评估显示其在多模态推理与数学、OCR 与图表理解、多图像与现实世界理解、视觉定位、多模态多语言理解、视频理解、GUI 定位和空间推理等方面表现出色。
输入输出
模型接受图像、文本、视频或图像-文本交错序列作为输入，输出文本响应。支持单图像、多图像和批量提示推理。
运行要求
建议使用 transformers>=4.42.0 以确保模型正常运行。78B 参数模型需要较大的 GPU 显存，可选择使用 BNB 8 位量化降低显存需求。
基本用法
模型加载支持 16 位（bf16/fp16）和 8 位量化两种方式。多 GPU 推理时需确保首层和末层在同一设备上以避免错误。
推理可通过 Transformers 库实现，支持流式输出。微调可参考 InternVL、SWIFT、XTurner 等仓库的文档。
部署方面可使用 LMDeploy 工具，支持多模态视觉-语言模型的压缩、部署和服务化，提供类似大语言模型推理管道的易用接口。
许可证
本项目基于 MIT 许可证发布。模型使用了预训练的 Qwen2.5 作为组件，Qwen2.5 基于 Qwen 许可证授权。
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。