❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
🚀 快速阅读
- 模型介绍：InternVL 2.5是上海AI实验室推出的开源多模态大语言模型，支持从1B到78B的多种规模。
- 主要功能：模型具备多模态理解、多学科推理、多语言处理等功能，适用于多种应用场景。
- 技术原理：基于ViT-MLP-LLM架构，采用动态高分辨率训练和渐进式扩展策略，提升模型性能。
正文（附运行示例）
书生·万象InternVL 2.5是什么
书生·万象InternVL 2.5是上海AI实验室的OpenGVLab团队推出的开源多模态大型语言模型（MLLM）系列。该系列模型在InternVL 2.0的基础上进行了显著增强，特别是在训练和测试策略及数据质量方面。InternVL 2.5包括从1B到78B不同规模的模型，适应不同的使用场景和硬件需求。
InternVL2_5-78B是首个在多模态理解基准（MMMU）上得分超过70的开源模型，超越了ChatGPT-4o和Claude-3.5-Sonnet等商业模型。InternVL 2.5基于链式思考（CoT）推理技术实现性能提升，在多学科推理、文档理解、多图像/视频理解等多个基准测试中展现了强大的多模态能力。
书生·万象InternVL 2.5的主要功能
- 多模态理解：处理和理解来自不同模态（文本、图像、视频）的信息。
- 多学科推理：在多个学科领域内进行复杂推理和问题解决。
- 现实世界理解：对现实世界场景和事件进行理解和分析。
- 多模态幻觉检测：识别和区分真实和虚构的视觉信息。
- 视觉地面化：将文本描述与图像中的实际对象相匹配。
- 多语言处理：支持多种语言的理解和生成能力。
- 纯语言处理：执行文本分析、生成和理解等语言任务。
书生·万象InternVL 2.5的技术原理
- ViT-MLP-LLM架构：结合视觉Transformer（ViT）和大型语言模型（LLM）基于MLP投影器。
- 动态高分辨率训练：适应不同分辨率的输入，优化多图像和视频数据的处理。
- 像素逆置操作：减少视觉tokens数量，提高模型效率。
- 渐进式扩展策略：从小规模LLM开始训练，逐步扩展到更大规模的模型。
- 随机JPEG压缩：模拟互联网图像退化，增强模型对噪声图像的鲁棒性。
- 损失重加权：平衡不同长度响应的NTP损失，优化模型训练。
如何运行书生·万象InternVL 2.5
使用HuggingFace进行快速开始
以下是一个简单的示例，展示如何使用HuggingFace加载和运行InternVL 2.5模型。
import torch
from PIL import Image
from transformers import AutoModel, CLIPImageProcessor
model = AutoModel.from_pretrained(
'OpenGVLab/InternVL2_5-78B',
torch_dtype=torch.bfloat16,
low_cpu_mem_usage=True,
trust_remote_code=True).cuda().eval()
image = Image.open('./examples/image1.jpg').convert('RGB')
image_processor = CLIPImageProcessor.from_pretrained('OpenGVLab/InternVL2_5-78B')
pixel_values = image_processor(images=image, return_tensors='pt').pixel_values
pixel_values = pixel_values.to(torch.bfloat16).cuda()
outputs = model(pixel_values)
资源
- 项目官网：internvl.github.io/blog/
- GitHub 仓库：github.com/OpenGVLab/I…
- HuggingFace 模型库：huggingface.co/OpenGVLab/I…
- arXiv 技术论文：arxiv.org/pdf/2412.05…
- 在线体验Demo：huggingface.co/spaces/Open…
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发非常感兴趣，我会每日跟你分享最新的 AI 资讯和开源应用，也会不定期分享自己的想法和开源实例，欢迎关注我哦！
🥦 微信公众号｜搜一搜：蚝油菜花 🥦
