Internvl3 8B

🚀 InternVL3-8B

InternVL3-8B 是一款先进的多模态大语言模型，具备卓越的多模态感知和推理能力，能处理图像、视频等多模态数据，在工具使用、GUI 代理、工业图像分析等领域表现出色。

Unsloth Dynamic 2.0 实现了卓越的准确性，性能优于其他领先的量化方法。

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

[📝 Blog] [💬 Chat Demo] [🤗 HF Demo] [🚀 Quick Start] [📚 Documents]

✨ 主要特性

• 卓越性能：相比 InternVL 2.5，InternVL3 展现出更出色的多模态感知和推理能力，将多模态能力拓展到工具使用、GUI 代理、工业图像分析、3D 视觉感知等领域。
• 多语言支持：支持多种语言，具有更广泛的应用场景。
• 高效训练：采用原生多模态预训练方法，将语言和视觉学习整合到一个预训练阶段，提高了模型处理视觉 - 语言任务的能力。

📦 安装指南

文档未提供具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

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()

高级用法

BNB 8 - bit 量化

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()

多 GPU 推理

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()

推理示例

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')

📚 详细文档

模型概述

我们推出了 InternVL3，这是一系列先进的多模态大语言模型（MLLM），展现出卓越的整体性能。与 InternVL 2.5 相比，InternVL3 具有更出色的多模态感知和推理能力，并将多模态能力进一步扩展到工具使用、GUI 代理、工业图像分析、3D 视觉感知等领域。此外，我们还将 InternVL3 与 Qwen2.5 聊天模型进行了比较，Qwen2.5 对应的预训练基础模型被用作 InternVL3 语言组件的初始化。得益于原生多模态预训练，InternVL3 系列在整体文本性能上甚至优于 Qwen2.5 系列。

InternVL3 家族

模型架构

如下图所示，[InternVL3](https://internvl.github.io/blog/2025 - 04 - 11 - InternVL - 3/) 保留了与 [InternVL 2.5](https://internvl.github.io/blog/2024 - 12 - 05 - InternVL - 2.5/) 及其前身 InternVL 1.5 和 2.0 相同的模型架构，遵循 “ViT - MLP - LLM” 范式。在这个新版本中，我们使用随机初始化的 MLP 投影器，将新的增量预训练的 InternViT 与各种预训练的大语言模型（LLM）集成，包括 InternLM 3 和 Qwen 2.5。

与之前的版本一样，我们应用了像素重排操作，将视觉标记的数量减少到原来的四分之一。此外，我们采用了与 InternVL 1.5 类似的动态分辨率策略，将图像分割成 448×448 像素的图块。从 InternVL 2.0 开始，主要的区别在于我们额外引入了对多图像和视频数据的支持。

值得注意的是，在 InternVL3 中，我们集成了 可变视觉位置编码（V2PE），它为视觉标记使用更小、更灵活的位置增量。得益于 V2PE，InternVL3 与其前身相比，表现出更好的长上下文理解能力。

训练策略

原生多模态预训练

我们提出了一种 原生多模态预训练 方法，将语言和视觉学习整合到一个预训练阶段。与先训练一个仅处理语言的模型，然后再将其调整以处理其他模态的标准范式不同，我们的方法将多模态数据（如图文、视频 - 文本或图文交错序列）与大规模文本语料库交织在一起。这种统一的训练方案使模型能够同时学习语言和多模态表示，最终提高其处理视觉 - 语言任务的能力，而无需单独的对齐或桥接模块。更多细节请参阅 我们的论文。

监督微调

在这个阶段，InternVL2.5 中提出的随机 JPEG 压缩、平方损失重新加权和多模态数据打包技术也被应用于 InternVL3 系列。与 InternVL2.5 相比，InternVL3 在监督微调阶段的主要进步在于使用了更高质量和更多样化的训练数据。具体来说，我们进一步扩展了工具使用、3D 场景理解、GUI 操作、长上下文任务、视频理解、科学图表、创意写作和多模态推理的训练样本。

混合偏好优化

在预训练和监督微调期间，模型根据之前的真实标记来预测下一个标记。然而，在推理期间，模型根据自己的先前输出预测每个标记。真实标记和模型预测标记之间的这种差异引入了分布偏移，这可能会损害模型的思维链（CoT）推理能力。为了缓解这个问题，我们采用了 MPO，它引入了来自正样本和负样本的额外监督，以使模型响应分布与真实分布对齐，从而提高推理性能。具体来说，MPO 的训练目标是偏好损失 \(\mathcal{L}{\text{p}}\)、质量损失 \(\mathcal{L}{\text{q}}\) 和生成损失 \(\mathcal{L}_{\text{g}}\) 的组合，可以表述如下：

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

其中 \(w_{*}\) 表示每个损失组件的权重。有关 MPO 的更多详细信息，请参阅 我们的论文。

测试时缩放

测试时缩放已被证明是提高大语言模型（LLM）和多模态大语言模型（MLLM）推理能力的有效方法。在这项工作中，我们使用 “Best - of - N” 评估策略，并采用 [VisualPRM - 8B](https://huggingface.co/OpenGVLab/VisualPRM - 8B) 作为评估模型，为推理和数学评估选择最佳响应。

评估指标

多模态能力评估

包括多模态推理和数学、OCR、图表和文档理解、多图像和现实世界理解、综合多模态和幻觉评估、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的评估。

语言能力评估

我们将 InternVL3 与 Qwen2.5 聊天模型进行了比较，Qwen2.5 对应的预训练基础模型被用作 InternVL3 语言组件的初始化。得益于原生多模态预训练，InternVL3 系列在整体文本性能上甚至优于 Qwen2.5 系列。请注意，Qwen2.5 系列的评估分数可能与官方报告的分数不同，因为我们在所有数据集上都采用了表中提供的提示版本进行 OpenCompass 评估。

消融实验

原生多模态预训练

我们在 InternVL2 - 8B 模型上进行了实验，同时保持其架构、初始化参数和训练数据完全不变。传统上，InternVL2 - 8B 采用的训练流程是先进行 MLP 预热阶段以进行特征对齐，然后进行指令调优阶段。在我们的实验中，我们用原生多模态预训练过程取代了传统的 MLP 预热阶段。这种修改隔离了原生多模态预训练对模型整体多模态能力的贡献。

下图的评估结果表明，采用原生多模态预训练的模型在大多数基准测试中的性能与经过完整多阶段训练的 InternVL2 - 8B 基线相当。此外，在更高质量的数据上进行指令调优后，该模型在评估的多模态任务中表现出进一步的性能提升。这些发现强调了原生多模态预训练在赋予多模态大语言模型强大多模态能力方面的效率。

混合偏好优化

如下表所示，与未使用 MPO 进行微调的模型相比，使用 MPO 进行微调的模型在七个多模态推理基准测试中表现出更出色的推理性能。具体来说，InternVL3 - 78B 和 InternVL3 - 38B 分别比其对应模型高出 4.1 和 4.5 分。值得注意的是，用于 MPO 的训练数据是用于监督微调（SFT）的数据的子集，这表明性能提升主要源于训练算法而非训练数据。

可变视觉位置编码

如下表所示，引入 V2PE 导致大多数评估指标的性能显著提升。此外，我们通过改变位置增量 \( \delta \) 进行的消融实验表明，即使对于主要涉及传统上下文的任务，相对较小的 \( \delta \) 值也能实现最佳性能。这些发现为未来改进多模态大语言模型中视觉标记的位置编码策略提供了重要见解。

🔧 技术细节

模型架构

• ViT - MLP - LLM 范式：遵循该范式，将视觉、特征投影和语言处理模块结合。
• 像素重排操作：减少视觉标记数量，提高处理效率。
• 动态分辨率策略：将图像分割成固定大小的图块，适应不同图像尺寸。
• 可变视觉位置编码（V2PE）：使用更小、更灵活的位置增量，提升长上下文理解能力。

训练方法

• 原生多模态预训练：整合语言和视觉学习，提高多模态处理能力。
• 监督微调：使用高质量和多样化的训练数据，提升模型性能。
• 混合偏好优化（MPO）：引入额外监督，减少分布偏移，提高推理性能。
• 测试时缩放：采用 “Best - of - N” 策略和评估模型，提升推理能力。

📄 许可证

本项目采用 [Apache - 2.0](https://huggingface.co/Qwen/Qwen2.5 - 72B - Instruct/blob/main/LICENSE) 许可证。

⚠️ 重要提示

请使用 transformers>=4.37.2 以确保模型正常工作。

💡 使用建议

在进行多 GPU 推理时，确保大语言模型（LLM）的第一层和最后一层在同一设备上，以避免因张量不在同一设备而导致的错误。