InternVL3

Intervl3 je napredni multimodalni model velikog jezika (MLLM) razvijen za izvrsno u zadacima na jeziku vida, razumijevanju dugog konteksta i složenom rezoniranju. Dizajniran kao dio InternVL serije, on integrira izvorni multimodalno pre-trening za obradu slika, videozapisa i teksta, omogućavajući aplikacije kroz analizu dokumenata, razumijevanje u stvarnom svijetu i industrijsku obradu slika. Model podržava višejezične mogućnosti i pokazuje snažne performanse u zadacima koji zahtijevaju prostorno rasuđivanje, interakciju GUI agenta i vizualno uzemljenje.

Ključne značajke uključuju varijabilno vizualno kodiranje položaja (V2PE) za rukovanje proširenim multimodalnim kontekstima i optimizaciju miješanih preferencija (MPO) za rafinirane izlaze. Internvl3 nadmašuje prethodne iteracije u referentnim vrijednostima multidisciplina, postižući vrhunske rezultate poput 72,2 boda na MMMU referentnoj vrijednosti. Njegova skalabilna arhitektura, u rasponu od 1B do 78B parametara, osigurava prilagodljivost različitim slučajevima uporabe, uključujući akademska istraživanja, unakrsno pretraživanje i analizu specifične za domenu. Model otvorenog koda i resursi za obuku olakšavaju prilagodbu specijaliziranih aplikacija uz održavanje konkurentnog usklađivanja s vodećim sustavima zatvorenog izvora u točnosti i svestranosti.

Ovaj opis generirala je umjetna inteligencija (AI). AI može pogriješiti. Provjerite važne informacije.

Web stranica: internvl.opengvlab.com

Odricanje odgovornosti: WebCatalog nije povezan, pridružen, ovlašten, odobren ili na bilo koji način službeno povezan s InternVL3. Sva imena proizvoda, logotipi i brendovi vlasništvo su njihovih odgovarajućih vlasnika.