跳到正文

InternViT-6B-448px-V2_5

面向多语言 OCR 与数学图表的视觉模型

访问官网

InternViT-6B-448px-V2_5 是什么

InternViT-6B-448px-V2_5 被介绍为一个基于前代 V1-5 的增强版视觉模型,通过 ViT 增量学习与 NTP 损失提升视觉编码器提取视觉特征的能力。它属于 InternVL 2.5 系列,保留 ViT-MLP-LLM 架构,并集成新增量预训练的 InternViT 与 InternLM 2.5、Qwen 2.5 等预训练语言模型。

你可以用它做什么

  • 提取特征用于图像分类
  • 处理多语言文档中的 OCR 数据
  • 在教育领域识别数学图表

快速上手

  • 导入 torch 和 transformers 等库
  • 从 Hugging Face 模型库加载该模型
  • 用 PIL 打开图像并转为 RGB 格式
  • 用 CLIPImageProcessor 得到像素值

优点与缺点

✓ 我们认可的地方

  • 增量学习针对代表性不足的领域
  • 三阶段训练增强视觉感知与多模态能力

! 需要留意的地方

  • 它基于前代 V1-5 版本构建
  • 与 LLMs 结合时使用随机初始化的 MLP 投影器

常见问题

属于哪个系列?

资料说明它是 InternVL 2.5 系列的一部分。

重点覆盖哪些领域?

卡片列出多语言 OCR 数据和数学图表等代表性不足的领域。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法