Internvl3 1B GGUF

🚀 InternVL3-1B

InternVL3-1Bは、高度な多モーダル大規模言語モデル（MLLM）シリーズで、優れた総合性能を発揮します。多モーダルな知覚と推論能力に優れ、ツール使用、GUIエージェント、産業画像分析、3Dビジョン知覚などの多様なタスクを扱うことができます。

Unsloth Dynamic 2.0は、卓越した精度を達成し、他の主要な量子化手法を上回ります。

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

[Blog] [Chat Demo] [HF Demo] [Quick Start] [Documents]

🚀 クイックスタート

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

⚠️ 重要提示

transformers>=4.37.2を使用して、モデルが正常に動作するようにしてください。

モデルの読み込み

16-bit (bf16 / fp16)

import torch
from transformers import AutoTokenizer, AutoModel
path = "OpenGVLab/InternVL3-1B"
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 Quantization

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の使用

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）の最初と最後のレイヤー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/InternVL3-1B"
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

概要

InternVL3は、高度な多モーダル大規模言語モデル（MLLM）シリーズで、優れた総合性能を発揮します。InternVL 2.5と比較して、InternVL3は優れた多モーダル知覚と推論能力を示し、多モーダル機能をツール使用、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。また、InternVL3はQwen2.5 Chatモデルと比較され、Native Multimodal Pre-Trainingの恩恵を受けて、Qwen2.5シリーズよりも優れた総合的な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

次の図に示すように、InternVL3は、InternVL 2.5とその前身である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、新しく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。

前のバージョンと同様に、ピクセルのunshuffle操作を適用し、ビジュアルトークンの数を元の1/4に減らしています。また、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ています。InternVL 2.0からの主な違いは、多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。

特に、InternVL3では、Variable Visual Position Encoding (V2PE)を統合しており、ビジュアルトークンに対してより小さく柔軟な位置増分を利用しています。V2PEの恩恵を受けて、InternVL3は前身のモデルと比較して、より優れた長文脈理解能力を示しています。

🔧 技術詳細

トレーニング戦略

Native Multimodal Pre-Training

我々は、Native Multimodal Pre-Trainingアプローチを提案しています。これは、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手法です。標準的なパラダイムでは、最初に言語専用のモデルをトレーニングし、その後に追加のモダリティを扱うように適応させますが、我々の方法では、多モーダルデータ（画像-テキスト、ビデオ-テキスト、または画像-テキストの交互シーケンスなど）を大規模なテキストコーパスと交差させます。この統一的なトレーニングスキームにより、モデルは言語的および多モーダル表現を同時に学習し、個別のアライメントまたはブリッジングモジュールを必要とせずに、ビジョン-言語タスクを処理する能力を向上させます。詳細については、我々の論文を参照してください。

教師付き微調整

このフェーズでは、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、および多モーダルデータのパッキングの技術も、InternVL3シリーズで採用されています。InternVL3のSFTフェーズにおける主な進歩は、より高品質で多様なトレーニングデータの使用です。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、創造的な文章作成、および多モーダル推論のトレーニングサンプルをさらに拡張しています。

混合嗜好最適化 (Mixed Preference Optimization)

事前学習とSFTの間、モデルは以前の正解トークンを条件とし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、推論時には、モデルは自身の事前出力に基づいて各トークンを予測します。この正解トークンとモデルが予測したトークンの不一致は、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。この問題を軽減するために、MPOを採用しており、正例と負例の両方から追加の監督を導入して、モデルの応答分布を正解分布に一致させ、推論性能を向上させています。具体的には、MPOのトレーニング目標は、嗜好損失 \(\mathcal{L}{\text{p}}\)、品質損失 \(\mathcal{L}{\text{q}}\)、および生成損失 \(\mathcal{L}_{\text{g}}\)の組み合わせであり、次のように定式化されます。

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

ここで、\(w_{*}\)は各損失成分に割り当てられた重みを表します。MPOの詳細については、我々の論文を参照してください。

テスト時スケーリング (Test-Time Scaling)

Test-Time Scalingは、LLMやMLLMの推論能力を向上させる効果的な方法であることが示されています。この研究では、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、推論および数学的評価のための最良の応答を選択しています。

評価

多モーダル能力の評価

• 多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
• 包括的な多モーダルと幻覚評価
• ビジュアルグラウンディング
• 多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モデルと比較しています。Qwen2.5 Chatモデル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の恩恵を受けて、InternVL3シリーズはQwen2.5シリーズよりも優れた総合的なテキスト性能を達成しています。なお、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ります。すべてのデータセットにわたって、表に示されたプロンプトバージョンをOpenCompass評価に使用しているためです。

アブレーション研究

Native Multimodal Pre-Training

InternVL2-8Bモデルに対して、そのアーキテクチャ、初期化パラメータ、およびトレーニングデータを完全に変更せずに実験を行いました。従来、InternVL2-8Bは、特徴アライメントのためのMLPウォームアップフェーズから始まり、その後にInstruction Tuning段階が続くトレーニングパイプラインを採用しています。我々の実験では、従来のMLPウォームアップフェーズをネイティブ多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、ネイティブ多モーダル事前学習がモデルの全体的な多モーダル能力に与える影響を分離することができます。

下の図の評価結果は、ネイティブ多モーダル事前学習を行ったモデルが、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行った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の命令微調整に続くと、モデルは評価された多モーダルタスク全体でさらなる性能向上を示します。これらの結果は、ネイティブ多モーダル事前学習がMLLMに強力な多モーダル能力を付与する効率性を強調しています。

混合嗜好最適化 (Mixed Preference Optimization)

以下の表に示すように、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つの多モーダル推論ベンチマーク全体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ポイントで対応するモデルを上回っています。特に、MPOに使用されるトレーニングデータは、SFTに使用されるデータのサブセットであり、このことは、性能向上が主にトレーニングアルゴリズムに起因していることを示しています。

可変ビジュアル位置符号化 (Variable Visual Position Encoding)

以下の表に報告されているように、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。さらに、我々のアブレーション研究では、位置増分 \( \delta \) を変化させることにより、従来の文脈を主に扱うタスクでも、比較的小さな \( \delta \) 値で最適な性能を達成できることが明らかになりました。これらの結果は、MLLMにおけるビジュアルトークンの位置符号化戦略を改良するための将来の取り組みに重要な洞察を提供しています。

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。