license: other license_name: qwen license_link: https://huggingface.co/Qwen/Qwen2.5-72B-Instruct/blob/main/LICENSE pipeline_tag: image-text-to-text library_name: transformers base_model:

• OpenGVLab/InternVL3-1B base_model_relation: quantized datasets:
• OpenGVLab/MMPR-v1.2 language:
• multilingual tags:
• internvl
• custom_code

InternVL3-1B

[📂 GitHub] [📜 InternVL 1.0] [📜 InternVL 1.5] [📜 InternVL 2.5] [📜 InternVL2.5-MPO] [📜 InternVL3]

[🆕 Blog] [🗨️ Chat Demo] [🤗 HF Demo] [🚀 Quick Start] [📖 Documents]

イントロダクション

私たちは、優れた総合性能を発揮する先進的なマルチモーダル大規模言語モデル（MLLM）シリーズであるInternVL3を紹介します。
InternVL 2.5と比較して、InternVL3は優れたマルチモーダル知覚・推論能力を示し、さらにツール使用、GUIエージェント、産業画像分析、3D視覚知覚など、マルチモーダル能力を拡張しています。
また、InternVL3をQwen2.5 Chatモデルと比較しました。これらの対応する事前学習済みベースモデルは、InternVL3の言語コンポーネントの初期化に使用されています。Native Multimodal Pre-Trainingの恩恵により、InternVL3シリーズはQwen2.5シリーズよりも優れたテキスト性能を達成しています。

InternVL3ファミリー

以下の表に、InternVL3シリーズの概要を示します。

モデルアーキテクチャ

以下の図に示すように、InternVL3はInternVL 2.5およびその前身であるInternVL 1.5および2.0と同じモデルアーキテクチャを保持し、「ViT-MLP-LLM」パラダイムに従っています。この新しいバージョンでは、新たに増分的に事前学習されたInternViTを、InternLM 3やQwen 2.5を含むさまざまな事前学習済みLLMと、ランダムに初期化されたMLPプロジェクタを使用して統合しています。

前バージョンと同様に、ピクセルアンシャッフル操作を適用し、視覚トークンの数を元の4分の1に削減しました。さらに、InternVL 1.5と同様の動的解像度戦略を採用し、画像を448×448ピクセルのタイルに分割しました。InternVL 2.0から導入された主な違いは、複数画像およびビデオデータのサポートを追加したことです。

特筆すべきは、InternVL3ではVariable Visual Position Encoding (V2PE)を統合しており、視覚トークンに対してより小さく柔軟な位置増分を使用しています。V2PEの恩恵により、InternVL3は前身モデルよりも優れた長文脈理解能力を示しています。

トレーニング戦略

Native Multimodal Pre-Training

言語と視覚の学習を単一の事前学習段階に統合するNative Multimodal Pre-Trainingアプローチを提案します。
追加のモダリティを処理するために言語のみのモデルを最初にトレーニングし、その後適応させる標準的なパラダイムとは対照的に、私たちの方法はマルチモーダルデータ（画像テキスト、ビデオテキスト、または画像テキスト交互シーケンスなど）を大規模なテキストコーパスと交互に配置します。この統一されたトレーニングスキームにより、モデルは言語表現とマルチモーダル表現を同時に学習し、最終的に視覚言語タスクを処理する能力を向上させ、個別のアライメントまたはブリッジモジュールを必要としません。
詳細については私たちの論文を参照してください。

Supervised Fine-Tuning

このフェーズでは、InternVL2.5で提案されたランダムJPEG圧縮、正方形損失再重み付け、マルチモーダルデータパッキングの技術がInternVL3シリーズでも採用されています。
InternVL3のSFTフェーズの主な進歩は、InternVL2.5と比較して、より高品質で多様なトレーニングデータを使用している点です。
具体的には、ツール使用、3Dシーン理解、GUI操作、長文脈タスク、ビデオ理解、科学図表、創造的執筆、マルチモーダル推論のためのトレーニングサンプルをさらに拡張しました。

Mixed Preference Optimization

事前学習とSFT中、モデルは前のグラウンドトゥルートークンに基づいて次のトークンを予測するようにトレーニングされます。
しかし、推論中、モデルは自身の以前の出力に基づいて各トークンを予測します。
このグラウンドトゥルートークンとモデル予測トークン間の不一致は、分布シフトを引き起こし、モデルのChain-of-Thought（CoT）推論能力を損なう可能性があります。
この問題を緩和するために、MPOを採用し、ポジティブサンプルとネガティブサンプルの両方からの追加の監督を導入して、モデル応答分布をグラウンドトゥルート分布と整合させ、推論性能を向上させます。
具体的には、MPOのトレーニング目的は、
選好損失\(\mathcal{L}{\text{p}}\)、
品質損失\(\mathcal{L}{\text{q}}\)、
生成損失\(\mathcal{L}_{\text{g}}\)
の組み合わせであり、次のように定式化できます：

$$ \mathcal{L}=w_{p}\cdot\mathcal{L}{\text{p}} + w{q}\cdot\mathcal{L}{\text{q}} + w{g}\cdot\mathcal{L}_{\text{g}}, $$

ここで、\(w_{*}\)は各損失コンポーネントに割り当てられた重みを表します。MPOの詳細については私たちの論文を参照してください。

Test-Time Scaling

Test-Time Scalingは、LLMおよびMLLMの推論能力を向上させる効果的な方法として示されています。
この作業では、Best-of-N評価戦略を使用し、VisualPRM-8Bを批評モデルとして使用して、推論および数学評価のための最良の応答を選択します。

マルチモーダル能力の評価

マルチモーダル推論と数学

OCR、チャート、およびドキュメント理解

複数画像＆現実世界理解

総合マルチモーダル＆幻覚評価

視覚的グラウンディング

マルチモーダル多言語理解

ビデオ理解

GUIグラウンディング

空間推論

言語能力の評価

InternVL3をQwen2.5 Chatモデルと比較しました。これらの対応する事前学習済みベースモデルは、InternVL3の言語コンポーネントの初期化に使用されています。
Native Multimodal Pre-Trainingの恩恵により、InternVL3シリーズはQwen2.5シリーズよりも優れたテキスト性能を達成しています。
Qwen2.5シリーズの評価スコアは公式に報告されたものと異なる場合があることに注意してください。これは、すべてのデータセットに対してOpenCompass評価のために表で提供されたプロンプトバージョンを採用したためです。

アブレーションスタディ

Native Multimodal Pre-Training

InternVL2-8Bモデルで実験を行い、そのアーキテクチャ、初期化パラメータ、トレーニングデータを完全に変更せずに保持しました。従来、InternVL2-8Bは、特徴アラインメントのためのMLPウォームアップフェーズから始まり、その後Instruction Tuning段階に進むトレーニングパイプラインを採用していました。私たちの実験では、従来のMLPウォームアップフェーズをネイティブマルチモーダル事前学習プロセスに置き換えました。この変更により、ネイティブマルチモーダル事前学習がモデルの総合的なマルチモーダル能力に与える貢献が分離されました。

以下の図の評価結果は、ネイティブマルチモーダル事前学習を適用したモデルが、ほとんどのベンチマークで完全な多段階トレーニングを受けたInternVL2-8Bベースラインと同等の性能を示すことを示しています。さらに、より高品質なデータで命令チューニングを行うと、モデルは評価されたマルチモーダルタスク全体でさらなる性能向上を示します。これらの発見は、MLLMに強力なマルチモーダル能力を与えるネイティブマルチモーダル事前学習の効率性を強調しています。

Mixed Preference Optimization

以下の表に示すように、MPOでファインチューニングされたモデルは、MPOなしのモデルと比較して、7つのマルチモーダル推論ベンチマークで優れた推論性能を示しています。具体的には、InternVL3-78BとInternVL3-38Bは、それぞれ4.1ポイントと4.5ポイントの性能向上を示しました。注目すべきは、MPOに使用されたトレーニングデータはSFTに使用されたデータのサブセットであり、性能向上は主にトレーニングデータではなくトレーニングアルゴリズムに起因していることです。

Variable Visual Position Encoding

以下の表に報告されているように、V2PEの導入は、ほとんどの評価指標で大きな性能向上をもたらしました。さらに、位置増分\( \delta \)を変化させるアブレーション研究により、従来の文脈を主に含むタスクでも、比較的小さい\( \delta \)値が最適な性能を達成できることが明らかになりました。これらの発見は、MLLMにおける視覚トークンの位置エンコーディング戦略を改良する将来の取り組みに重要な洞察を提供します。

クイックスタート

transformersを使用してInternVL3-1Bを実行するためのサンプルコードを提供します。

モデルが正常に動作することを保証するために、transformers>=4.37.2を使用してください。

モデル読み込み

16-bit (bf16 / fp16)

import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-1B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True).eval().cuda()

BNB 8-bit量子化

import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-1B"
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    load_in_8bit=True,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True).eval()

複数GPU

このようにコードを書く理由は、テンソルが同じデバイス上にないために発生するマルチGPU推論中のエラーを回避するためです。大規模言語モデル（LLM）の最初と最後のレイヤーが同じデバイス上にあることを保証することで、このようなエラーを防ぎます。

import math
import torch
from transformers import AutoTokenizer, AutoModel

def split_model(model_name):
    device_map = {}
    world_size = torch.cuda.device_count()
    config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
    num_layers = config.llm_config.num_hidden_layers
    # 最初のGPUはViTに使用されるため、半GPUとして扱います。
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map['language_model.lm_head'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

path = "OpenGVLab/InternVL3-1B"
device_map = split_model('InternVL3-1B')
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True,
    device_map=device_map).eval()

Transformersでの推論

import math
import numpy as np
import torch
import torchvision.transforms as T
from decord import VideoReader, cpu
from PIL import Image
from torchvision.transforms.functional import InterpolationMode
from transformers import AutoModel, AutoTokenizer

IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)

def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform

def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio

def dynamic_preprocess(image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # 既存の画像アスペクト比を計算
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # ターゲットに最も近いアスペクト比を見つける
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # ターゲットの幅と高さを計算
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # 画像をリサイズ
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # 画像を分割
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images

def load_image(image_file, input_size=448, max_num=12):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values

def split_model(model_name):
    device_map = {}
    world_size = torch.cuda.device_count()
    config = AutoConfig.from_pretrained(model_path, trust_remote_code=True)
    num_layers = config.llm_config.num_hidden_layers
    # 最初のGPUはViTに使用されるため、半GPUとして扱います。
    num_layers_per_gpu = math.ceil(num_layers / (world_size - 0.5))
    num_layers_per_gpu = [num_layers_per_gpu] * world_size
    num_layers_per_gpu[0] = math.ceil(num_layers_per_gpu[0] * 0.5)
    layer_cnt = 0
    for i, num_layer in enumerate(num_layers_per_gpu):
        for j in range(num_layer):
            device_map[f'language_model.model.layers.{layer_cnt}'] = i
            layer_cnt += 1
    device_map['vision_model'] = 0
    device_map['mlp1'] = 0
    device_map['language_model.model.tok_embeddings'] = 0
    device_map['language_model.model.embed_tokens'] = 0
    device_map['language_model.output'] = 0
    device_map['language_model.model.norm'] = 0
    device_map['language_model.model.rotary_emb'] = 0
    device_map['language_model.lm_head'] = 0
    device_map[f'language_model.model.layers.{num_layers - 1}'] = 0

    return device_map

# `load_in_8bit=True`を設定する場合、80GB GPUが2台必要です。
# `load_in_8bit=False`を設定する場合、80GB GPUが少なくとも3台必要です。
path = 'OpenGVLab/InternVL3-1B'
device_map = split_model('InternVL3-1B')
model = AutoModel.from_pretrained(
    path,
    torch_dtype=torch.bfloat16,
    load_in_8bit=False,
    low_cpu_mem_usage=True,
    use_flash_attn=True,
    trust_remote_code=True,
    device_map=device_map).eval()
tokenizer = AutoTokenizer.from_pretrained(path, trust_remote_code=True, use_fast=False)

# `max_num`でタイルの最大数を設定
pixel_values = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
generation_config = dict(max_new_tokens=1024, do_sample=True)

# 純粋テキスト会話
question = 'こんにちは、あなたは誰ですか？'
response, history = model.chat(tokenizer, None, question, generation_config, history=None, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

question = '物語を教えてくれますか？'
response, history = model.chat(tokenizer, None, question, generation_config, history=history, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

# 単一画像単一会話
question = '<image>\n画像を簡単に説明してください。'
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(f'ユーザー: {question}\nアシスタント: {response}')

# 単一画像複数回会話
question = '<image>\n画像を詳細に説明してください。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config, history=None, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

question = '画像に基づいて詩を書いてください。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config, history=history, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

# 複数画像複数回会話、結合画像
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)

question = '<image>\n2つの画像を詳細に説明してください。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               history=None, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

question = 'これらの2つの画像の類似点と相違点は何ですか。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               history=history, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

# 複数画像複数回会話、独立画像
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)
num_patches_list = [pixel_values1.size(0), pixel_values2.size(0)]

question = 'Image-1: <image>\nImage-2: <image>\n2つの画像を詳細に説明してください。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list,
                               history=None, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

question = 'これらの2つの画像の類似点と相違点は何ですか。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list,
                               history=history, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

# バッチ推論、サンプルごとに単一画像
pixel_values1 = load_image('./examples/image1.jpg', max_num=12).to(torch.bfloat16).cuda()
pixel_values2 = load_image('./examples/image2.jpg', max_num=12).to(torch.bfloat16).cuda()
num_patches_list = [pixel_values1.size(0), pixel_values2.size(0)]
pixel_values = torch.cat((pixel_values1, pixel_values2), dim=0)

questions = ['<image>\n画像を詳細に説明してください。'] * len(num_patches_list)
responses = model.batch_chat(tokenizer, pixel_values,
                             num_patches_list=num_patches_list,
                             questions=questions,
                             generation_config=generation_config)
for question, response in zip(questions, responses):
    print(f'ユーザー: {question}\nアシスタント: {response}')

# ビデオ複数回会話
def get_index(bound, fps, max_frame, first_idx=0, num_segments=32):
    if bound:
        start, end = bound[0], bound[1]
    else:
        start, end = -100000, 100000
    start_idx = max(first_idx, round(start * fps))
    end_idx = min(round(end * fps), max_frame)
    seg_size = float(end_idx - start_idx) / num_segments
    frame_indices = np.array([
        int(start_idx + (seg_size / 2) + np.round(seg_size * idx))
        for idx in range(num_segments)
    ])
    return frame_indices

def load_video(video_path, bound=None, input_size=448, max_num=1, num_segments=32):
    vr = VideoReader(video_path, ctx=cpu(0), num_threads=1)
    max_frame = len(vr) - 1
    fps = float(vr.get_avg_fps())

    pixel_values_list, num_patches_list = [], []
    transform = build_transform(input_size=input_size)
    frame_indices = get_index(bound, fps, max_frame, first_idx=0, num_segments=num_segments)
    for frame_index in frame_indices:
        img = Image.fromarray(vr[frame_index].asnumpy()).convert('RGB')
        img = dynamic_preprocess(img, image_size=input_size, use_thumbnail=True, max_num=max_num)
        pixel_values = [transform(tile) for tile in img]
        pixel_values = torch.stack(pixel_values)
        num_patches_list.append(pixel_values.shape[0])
        pixel_values_list.append(pixel_values)
    pixel_values = torch.cat(pixel_values_list)
    return pixel_values, num_patches_list

video_path = './examples/red-panda.mp4'
pixel_values, num_patches_list = load_video(video_path, num_segments=8, max_num=1)
pixel_values = pixel_values.to(torch.bfloat16).cuda()
video_prefix = ''.join([f'Frame{i+1}: <image>\n' for i in range(len(num_patches_list))])
question = video_prefix + 'レッサーパンダは何をしていますか？'
# Frame1: <image>\nFrame2: <image>\n...\nFrame8: <image>\n{question}
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list, history=None, return_history=True)
print(f'ユーザー: {question}\nアシスタント: {response}')

question = 'このビデオを詳細に説明してください。'
response, history = model.chat(tokenizer, pixel_values, question, generation_config,
                               num_patches_list=num_patches_list, history=history, return_history=True)