InternVL3.5是什么

InternVL3.5（书生·万象3.5）是上海人工智能实验室开源的多模态大模型，模型在通用能力、推理能力和部署效率上全面升级，提供从10亿到2410亿参数的九种尺寸版本，覆盖不同资源需求场景，包含稠密模型和专家混合模型（MoE），是首个支持GPT-OSS语言模型基座的开源多模态大模型。InternVL3.5 采用级联式强化学习（Cascade RL）框架，通过“离线预热-在线精调”两阶段流程，显著提升推理能力。旗舰模型 InternVL3.5-241B-A28B 在多学科推理基准 MMMU 中获得开源模型最高分77.7分，超越 GPT-5。借助动态视觉分辨率路由（ViR）和解耦部署框架（DvD），模型在高分辨率输入下的响应速度大幅提升，38B 模型的吞吐量提升达4.05倍。

InternVL3.5的主要功能

• 多模态感知：在图像、视频问答等多模态感知任务中表现出色，241B-A28B 模型以 74.1 的平均得分超越现有开源模型，接近商业模型 GPT-5（74.0）。
• 多模态推理：在多学科推理基准 MMMU 中获得 77.7 分，较前代提升超 5 个百分点，位列开源榜首。
• 文本能力：在 AIME、GPQA 及 IFEval 等多个基准中，模型可以取得 85.3 的均分，处于开源领先。
• GUI 智能体：强化了 GUI 智能体能力，可实现跨平台自动化操作，例如在 ScreenSpot GUI 定位任务中以 92.9 分超越主流开源模型。
• 具身空间推理：具备更强的 grounding 能力，可以泛化到全新的复杂具身场景，支持可泛化的长程物体抓取操作。
• 矢量图形处理：在 SGP-Bench 以 70.7 分刷新开源纪录，能够有效应用于网页图形生成与工程图纸解析等专业场景。

InternVL3.5的技术原理

• 级联式强化学习（Cascade RL）：通过“离线预热-在线精调”两阶段流程，离线阶段使用混合偏好优化（MPO）算法快速提升基础推理能力，为后续训练提供高质量样本；在线阶段基于 GSPO 算法，以模型自身生成的样本为基础，动态调整输出分布，显著提升训练稳定性和推理性能。
• 动态视觉分辨率路由（ViR）：为每个图像切片动态选择压缩率，在语义密集区域保留高分辨率，背景区域自适应压缩，减少视觉 tokens，显著提升推理速度，同时几乎不损失性能。
• 解耦部署框架（DvD）：将视觉编码器与语言模型分置于不同 GPU，结合 BF16 精度特征传输与异步流水线设计，使视觉计算与语言生成并行执行，大幅提升吞吐量，解决传统串行部署的资源阻塞问题。
• 全量级模型优化：提供从 10 亿到 2410 亿参数的九种尺寸模型，覆盖不同资源需求场景，包含稠密模型和专家混合模型（MoE），首个支持 GPT-OSS 语言模型基座的开源多模态大模型，满足多样化应用需求。
• 多模态协同推理：通过融合视觉与语言等多维信息，实现多模态任务的高效处理，提升模型在复杂任务中的推理能力，推动多模态技术从“理解”到“行动”的跨越。

InternVL3.5的项目地址

• Github仓库：https://github.com/OpenGVLab/InternVL
• HuggingFace模型地址：https://huggingface.co/OpenGVLab/InternVL3_5-241B-A28B
• 技术报告：https://huggingface.co/papers/2508.18265
• 在线体验地址：书生大模型

InternVL3.5的应用场景

• 办公自动化：通过 GUI 智能体功能，实现跨平台的自动化办公操作，如自动处理 Excel 数据录入、PPT 设计排版、邮件发送等任务，提高工作效率。
• 智能家居控制：利用具身空间推理能力，辅助机器人在家庭环境中完成物品定位、路径规划和物理交互任务，例如智能清洁机器人根据环境布局自主规划清洁路径。
• 教育辅导：在多模态推理和文本能力的支持下，为学生提供个性化的学习辅导，解答复杂的学科问题，如数学物理题解、逻辑推理训练等，提升学习效果。
• 内容创作：借助通用多模态感知能力，自动生成图像描述、视频字幕等，帮助创作者快速生成创意内容，提高内容创作的效率和质量。
• 网页设计与图形生成：利用矢量图形处理能力，根据用户指令生成或编辑 SVG 矢量图形，适用于网页设计、图标制作等，提升设计效率和个性化体验。