InternVL3

O Internvl3 é um modelo de idioma grande multimodal avançado (MLLM) desenvolvido para se destacar em tarefas de linguagem de visão, entendimento de longo contexto e raciocínio complexo. Projetado como parte da série Internvl, integra pré-treinamento multimodal nativo para processar imagens, vídeos e texto perfeitamente, permitindo aplicativos na análise de documentos, compreensão do mundo real e processamento de imagens industriais. O modelo suporta recursos multilíngues e demonstra um forte desempenho em tarefas que requerem raciocínio espacial, interação do agente da GUI e aterramento visual.

Os principais recursos incluem codificação de posição visual variável (V2PE) para lidar com contextos multimodais estendidos e otimização de preferência mista (MPO) para saídas de raciocínio refinado. O Internvl3 supera as iterações anteriores em benchmarks de raciocínio multidisciplinar, alcançando resultados de ponta, como 72,2 pontos no benchmark MMMU. Sua arquitetura escalável, variando de parâmetros de 1B a 78B, garante adaptabilidade a diversos casos de uso, incluindo pesquisa acadêmica, recuperação cruzada e análise específica de domínio. O modelo de código aberto e os recursos de treinamento facilitam a personalização para aplicações especializadas, mantendo o alinhamento competitivo com os principais sistemas de fonte fechada em precisão e versatilidade.

Site: internvl.opengvlab.com

Aviso: o WebCatalog não é afiliado, associado, autorizado, endossado, nem tem qualquer relação oficial com InternVL3. Todos os nomes de produtos, logotipos e marcas pertencem aos seus respectivos proprietários.