跳到正文

InternVL

面向视觉语言任务的开源视觉基础模型

访问官网

InternVL 是什么

InternVL 被介绍为通过把 ViT 模型扩展并与语言模型对齐而构建的开源视觉基础模型。资料列出的任务从视觉感知、跨模态检索延伸到多模态对话。

你可以用它做什么

  • 进行图像分类
  • 进行语义分割
  • 进行视频分类
  • 做图像文字检索与视觉语言建模

使用示例

  • 使用 InternViT-6B 进行图像分类
  • 使用 InternVL-C 进行图像文本检索
  • 使用 InternVL-Chat 进行视觉问答

模型说明

  • ViT 模型扩展到 60 亿参数
  • 视觉模型与语言模型对齐
  • 构建出 14B 开源视觉基础模型
  • 资料称在广泛任务上取得 32 项 state-of-the-art 性能

优点与缺点

✓ 我们认可的地方

  • 60 亿参数的视觉模型与语言模型对齐
  • 为分类、检索和视觉问答列出具体模型变体

! 需要留意的地方

  • 列出的用例依赖具体的模型变体
  • 视觉任务需要与语言模型配合对齐

常见问题

模型规模有多大?

资料说明 ViT 扩展到 60 亿参数,并与语言模型对齐形成 14B 开源视觉基础模型。

资料列出的适用方向是什么?

资料列出计算机视觉研究与多模态应用开发。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法