モデル概要
モデル特徴
モデル能力
使用事例
🚀 InternVL3-8B
InternVL3は、優れた総合性能を示す高度なマルチモーダル大規模言語モデル(MLLM)シリーズです。このモデルは、多様なマルチモーダルタスクにおいて高い性能を発揮し、画像やビデオなどの非テキストデータとテキストデータを統合した処理が可能です。
Unsloth Dynamic 2.0 は、優れた精度を達成し、他の主要な量子化手法を上回ります。
[üìÇ GitHub] [üìú InternVL 1.0] [üìú InternVL 1.5] [üìú InternVL 2.5] [üìú InternVL2.5-MPO] [üìú InternVL3]
[üÜï Blog] [üó®Ô∏è Chat Demo] [ü§ó HF Demo] [üöÄ Quick Start] [üìñ Documents]

🚀 クイックスタート
transformers
を使用して InternVL3-8B
を実行するサンプルコードを提供します。
モデルが正常に動作するように、
transformers>=4.37.2
を使用してください。
モデルの読み込み
16-bit (bf16 / fp16)
import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-8B"
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/InternVL3-8B"
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、多GPU推論時にテンソルが同じデバイスにないことによって発生するエラーを回避するためです。大規模言語モデル(LLM)の最初と最後の層を同じデバイスに配置することで、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
# Since the first GPU will be used for ViT, treat it as half a GPU.
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/InternVL3-8B"
device_map = split_model('InternVL3-8B')
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を使用した推論
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
# calculate the existing image aspect ratio
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])
# find the closest aspect ratio to the target
target_aspect_ratio = find_closest_aspect_ratio(
aspect_ratio, target_ratios, orig_width, orig_height, image_size)
# calculate the target width and height
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]
# resize the image
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
)
# split the image
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')
✨ 主な機能
- 高度なマルチモーダル能力:InternVL3は、InternVL 2.5と比較して、優れたマルチモーダル知覚と推論能力を示し、マルチモーダル能力をツール使用、GUIエージェント、産業画像分析、3Dビジョン知覚などに拡張しています。
- Native Multimodal Pre-Training:言語とビジョンの学習を単一の事前学習段階に統合するアプローチを提案し、モデルが言語的およびマルチモーダル表現を同時に学習できるようにします。
- Variable Visual Position Encoding (V2PE):InternVL3において、より小さく柔軟な位置増分を視覚トークンに利用するV2PEを統合し、以前のバージョンと比較して長いコンテキスト理解能力を向上させています。
📦 インストール
このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。
📚 ドキュメント
モデルの概要
InternVL3は、「ViT-MLP-LLM」パラダイムに従い、新たに増分的に事前学習されたInternViTを、ランダムに初期化されたMLPプロジェクターを使用して、InternLM 3やQwen 2.5などのさまざまな事前学習済みLLMと統合しています。
学習戦略
Native Multimodal Pre-Training
言語とビジョンの学習を単一の事前学習段階に統合するアプローチを提案し、モデルが言語的およびマルチモーダル表現を同時に学習できるようにします。
教師あり微調整
InternVL3シリーズでは、InternVL2.5 で提案されたランダムJPEG圧縮、二乗損失の再重み付け、およびマルチモーダルデータパッキングの技術も採用されています。
混合嗜好最適化 (Mixed Preference Optimization, MPO)
MPOを使用して、モデルの応答分布を真の分布に合わせることで、推論性能を向上させます。
テスト時スケーリング (Test-Time Scaling)
Best-of-N評価戦略を使用し、VisualPRM-8B を評価モデルとして使用して、推論と数学評価のための最良の応答を選択します。
評価
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
- 多画像と現実世界の理解
- 包括的なマルチモーダルと幻覚評価
- ビジュアルグラウンディング
- 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は、Native Multimodal Pre-Trainingの恩恵を受けて、Qwen2.5シリーズよりも優れた全体的なテキスト性能を達成しています。
アブレーション研究
Native Multimodal Pre-Training
InternVL2-8Bモデルに対して、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る実験を行い、ネイティブマルチモーダル事前学習がモデルの全体的なマルチモーダル能力に与える影響を調査しています。
混合嗜好最適化 (Mixed Preference Optimization, MPO)
MPOで微調整されたモデルは、MPOを使用しないモデルと比較して、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。
Variable Visual Position Encoding (V2PE)
V2PEの導入により、ほとんどの評価指標で大幅な性能向上が見られます。
🔧 技術詳細
モデルアーキテクチャ
InternVL3は、InternVL 2.5 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。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、ランダムに初期化されたMLPプロジェクターを使用して、さまざまな事前学習済みLLMと統合しています。
学習戦略
Native Multimodal Pre-Training
言語とビジョンの学習を単一の事前学習段階に統合するアプローチを提案し、モデルが言語的およびマルチモーダル表現を同時に学習できるようにします。
教師あり微調整
InternVL3シリーズでは、InternVL2.5 で提案されたランダムJPEG圧縮、二乗損失の再重み付け、およびマルチモーダルデータパッキングの技術も採用されています。
混合嗜好最適化 (Mixed Preference Optimization, MPO)
MPOを使用して、モデルの応答分布を真の分布に合わせることで、推論性能を向上させます。
テスト時スケーリング (Test-Time Scaling)
Best-of-N評価戦略を使用し、VisualPRM-8B を評価モデルとして使用して、推論と数学評価のための最良の応答を選択します。
📄 ライセンス
このモデルは、Apache-2.0 ライセンスの下で提供されています。
モデル情報
属性 | 详情 |
---|---|
パイプラインタグ | 画像-テキストからテキスト |
ライブラリ名 | transformers |
ベースモデル | OpenGVLab/InternVL3-8B |
ベースモデルの関係 | ファインチューニング |
データセット | OpenGVLab/MMPR-v1.2 |
言語 | 多言語 |
タグ | internvl, unsloth, custom_code |
ライセンス | Apache-2.0 |
ライセンス名 | qwen |
ライセンスリンク | https://huggingface.co/Qwen/Qwen2.5-72B-Instruct/blob/main/LICENSE |










