【免费下载链接】InternVL项目地址https://ai.gitcode.com/OpenGVLab/InternVL点击查看免费下载InternVL 是目前最大的开源视觉/视觉-语言基础模型14B 参数核心是把 ViT 扩展到6B 参数并与 LLM 对齐在视觉感知、跨模态检索、多模态对话等任务上取得 32 项 SOTA 成绩。这个仓库OpenGVLab/InternVL就是 InternVL 官方 PyTorch 模型权重的下载源同时还附带了常用多模态评测基准数据集。下面带你一文看懂它的架构、文件结构和快速上手方法。InternVL 是什么6B 视觉基础模型 14B 多模态模型InternVL 的核心思路可以拆成两部分组件参数量作用InternViT-6B6B放大版视觉编码器ViT输出高质量视觉特征LLM如 LLaMA-2 7B约 7B语言模型负责理解与生成InternVL组合后14B对齐后的视觉-语言基础模型支持对话、问答等通用任务官方在 README.md 中介绍InternVL 将 ViT 扩展到 6B 参数并与 LLM 对齐是当时最大的开源视觉/视觉-语言基础模型。对应论文题为InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks引用格式见 README.md#L52-L63。仓库结构与核心文件模型权重在哪这个仓库以模型权重 评测数据为主没有训练代码。主要文件分三类1️⃣ 预训练模型权重.pth 文件权重清单见 README.md#L23-L28仓库内可直接定位到权重文件大小说明intern_vit_6b_224px.pth12 GBInternViT-6B224px 输入intern_vit_6b_224px_head.pth—ImageNet 线性探针分类头internvl_c_13b_224px.pth25.4 GB对比学习版本权重intern_vit_6b_448px_v1_0.pth、v1_2、v1_5—448px 高分辨率版本v1 系列intern_vit_6b_448px_v2_5.pth—v2 系列支持动态分辨率的多模态版本2️⃣ 语义分割微调权重ADE20K仓库还提供了 ADE20K 分割任务的完整微调产物文件名即配置摘要例如线性探针linear_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5_1of1.pth头部调优UperNet 冻结 backboneupernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5_frozen.pth全量微调UperNetupernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5.pth对应的训练日志如 upernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5.log也一并收录方便复现时对照训练曲线。3️⃣ 多模态评测基准数据集.jsonl这些文件配合 InternVL 做视觉问答VQA评测每条记录包含image、question、answer等字段seed.jsonlSEED-Bench 选择题实例计数、场景理解等配套图片包 SEED-Bench-image.ziptextvqa_val.jsonl / textvqa_val_llava.jsonlTextVQA 文字识别问答ai2d_test.jsonl / ai2d_test_vlmevalkit.jsonlAI2D 科学图解理解infographicsvqa_val.jsonl信息图表问答scienceqa_test_img.jsonlScienceQA 科学问答llava-mm-vet.jsonl、mmhal-bench_with_image.jsonl幻觉检测与开放问答 小提示仓库的 .gitattributes 配置了 Git LFS 规则所有*.pth、*.zip等大文件都通过 LFS 存储。直接 clone 后如看到权重文件只有几百字节说明还没拉取 LFS 真实内容。如何快速下载并使用 InternVL 权重完整步骤拿到权重只需三步第一步clone 仓库git clone https://gitcode.com/OpenGVLab/InternVL cd InternVL第二步启用并拉取 Git LFS 大文件git lfs install git lfs pull第三步加载权重以 InternViT-6B 为例用 PyTorch 直接加载import torch state_dict torch.load(intern_vit_6b_224px.pth, map_locationcpu) # 将 state_dict 加载进你的 InternViT-6B 模型结构即可如果你使用的是 transformers 生态InternVL 系列权重通常也提供 Hugging Face 格式可搜索 OpenGVLab InternVL 直接from_pretrained加载。基准性能速览InternVL 到底强在哪ImageNet 系列线性探针分类README.md#L30-L34指标IN-1KIN-ReaLIN-V2IN-AIN-RIN-SketchInternViT-6B-224px88.290.479.977.589.869.1ADE20K 语义分割README.md#L36-L47训练策略头部mIoUfew-shot仅 1/16 数据Linear46.5linear probing冻结Linear47.2head tuning冻结 UperNetUperNet54.9full tuningUperNet58.9可以看到InternViT-6B 仅用 1/16 的数据做线性探针就能拿到 46.5 mIoU说明其视觉表征泛化能力非常强——这也是大模型做 few-shot 下游任务的典型优势。如何选择合适的模型版本只要视觉特征、做分类/分割等下游任务→ 选intern_vit_6b_224px.pth12 GB最轻量需要高分辨率 / 多模态对话VQA→ 选 448px 系列推荐最新的 intern_vit_6b_448px_v2_5.pthv2 支持动态分辨率小图大图都能吃做对比学习或检索任务→ 选internvl_c_13b_224px.pth注意 25.4 GB显存要够复现分割实验→ 直接下载对应 ADE20K 检查点并参考同名.log验证结果许可证与引用项目采用MIT License见 README.md#L49-L50可放心用于商业与科研。若用于研究建议按 README.md#L56-L63 中的 BibTeX 格式引用论文。总结InternVL 用6B ViT 7B LLM的组合拳打出了 14B 级别开源视觉-语言模型的最佳成绩。这个仓库是获取其全部官方权重与评测数据的最佳入口——clone 后记得执行git lfs pull就能开始你的多模态之旅了 赞分享【免费下载链接】InternVL项目地址https://ai.gitcode.com/OpenGVLab/InternVL点击查看免费下载相关推荐InternVL2_5-Pretrain-Models 完全指南一文看懂 InternVL 2.5 开源多模态大模型预训练权重InternVL2_5 Pretrain Models 完全指南一文看懂 InternVL 2.5 开源多模态大模型预训练权重 什么是 InternVL 2.一文读懂 InternVL-14B-224px14B 开源多模态大模型的分类、检索与图像描述全解一文读懂 InternVL 14B 224px14B 开源多模态大模型的分类、检索与图像描述全解 InternVL 14B 224px 是由 OpenGInternVL-14B-Flickr30K-FT-364px 架构全解6B 视觉编码器如何驱动 14B 语言模型InternVL 14B Flickr30K FT 364px 架构全解6B 视觉编码器如何驱动 14B 语言模型 InternVL 14B Flickr30上一篇终极指南GitHub Actions Runner macOS 14 Sonoma arm64镜像全面更新下一篇深入解析actions/runner-images项目中MongoDB安装失败问题创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
