InternVL3

Internvl3 е усъвършенстван мултимодален модел с голям език (MLLM), разработен за отличие в задачите на езика на зрението, разбирането на дълги контекстове и сложните разсъждения. Проектиран като част от серията Internvl, той интегрира родния мултимодален предварително тренировка, за да обработва изображения, видеоклипове и текст безпроблемно, като позволява приложения в анализ на документи, разбиране в реалния свят и обработка на индустриални изображения. Моделът поддържа многоезични възможности и демонстрира силна производителност в задачи, изискващи пространствени разсъждения, взаимодействие с GUI агенти и визуално заземяване.

Основните характеристики включват променливо кодиране на визуална позиция (V2PE) за обработка на разширени мултимодални контексти и смесена оптимизация на предпочитанията (MPO) за изискани изходи за разсъждения. Internvl3 превъзхожда предишните итерации в референтни показатели за разсъждения за многодисциплина, постигайки най-съвременни резултати като 72,2 точки на показателя на MMMU. Неговата мащабируема архитектура, варираща от 1b до 78B параметри, осигурява адаптивност към различни случаи на използване, включително академични изследвания, кръстосано извличане и специфичен за домейна анализ. Моделът с отворен код и ресурсите за обучение улесняват персонализирането на специализирани приложения, като същевременно поддържат конкурентното привеждане в съответствие с водещите системи със затворен код с точност и гъвкавост.

Уебсайт: internvl.opengvlab.com

Отказ от отговорност: WebCatalog не е свързан, асоцииран, одобрен или официално свързан с InternVL3. Всички имена на продукти, лога и марки са собственост на съответните им притежатели.