InternVL3.5：多模态大模型的新里程碑
近年来，人工智能领域取得了飞速发展，多模态大模型作为连接文本、图像、视频等多种信息形式的关键技术，正日益成为推动AI前沿进步的核心力量。在这一背景下，上海人工智能实验室（Shanghai AI Lab）重磅发布了其最新力作——InternVL3.5（书生·万象3.5）。这一开源的多模态大模型不仅继承了前代的优秀基因，更在通用能力、复杂推理以及部署效率上实现了跨越式的升级，标志着多模态AI正从简单的感知理解迈向更深层次的智能行动与决策。
InternVL3.5的问世，无疑为全球AI研究者和开发者提供了一个强大且灵活的工具，它以其卓越的性能和创新的技术架构，重新定义了开源多模态大模型的行业标准，预示着一个更加智能、高效的未来正在加速到来。
InternVL3.5的核心突破与演进
InternVL3.5的强大并非偶然，其背后是一系列深思熟虑的架构优化和前沿技术创新。该模型旨在解决当前多模态大模型在实际应用中面临的性能瓶颈和部署挑战。
全面升级：通用、推理与部署效率
InternVL3.5最引人注目的特点之一，是其在多项核心能力上的全面跃升。在通用能力方面，模型对各种模态数据的理解和生成达到了新的高度，能够更准确地捕捉信息中的细微之处。在推理能力上，尤其是在多学科推理基准MMMU中，旗舰模型InternVL3.5-241B-A28B取得了77.7分的惊人成绩，不仅较前代模型提升了超过5个百分点，更是超越了包括GPT-5在内的众多商业级模型，确立了其在开源领域的领导地位。这意味着InternVL3.5能够处理更为复杂、跨领域的逻辑分析和问题解决。
此外，模型还显著提升了部署效率，这对于大模型的实际落地至关重要。通过创新性的技术，InternVL3.5在高分辨率输入下的响应速度大幅提升，例如38B模型的吞吐量实现了4.05倍的增长，有效缓解了高性能AI模型在实际部署中常见的资源消耗过大、响应延迟高等问题，使其能够在更广泛的硬件环境中发挥作用。
模型规模与架构的灵活性
InternVL3.5提供了从10亿到2410亿参数的九种尺寸版本，这种多样化的模型规模设计，旨在满足不同应用场景对资源消耗和性能表现的差异化需求。无论是追求极致性能的科研机构，还是对成本敏感的商业部署，都能找到最适合的版本。更值得一提的是，该系列模型涵盖了稠密模型（Dense Model）和专家混合模型（Mixture of Experts, MoE）两种架构。MoE模型通过激活稀疏的专家网络来处理不同的输入，从而在保持高性能的同时降低计算成本，提升推理速度。作为首个支持GPT-OSS语言模型基座的开源多模态大模型，InternVL3.5展现了其在架构选择上的前瞻性和对开源生态的贡献。
多模态能力的深度解析
InternVL3.5并非仅仅在单一维度上有所提升，而是在多模态能力的各个方面均实现了质的飞跃，展现出强大的感知、理解、推理与行动潜力。
感知与理解的卓越表现
在图像、视频问答等多模态感知任务中，InternVL3.5展现了超越现有开源模型的卓越性能。其241B-A28B模型以74.1的平均得分，甚至接近或在某些指标上超越了商业模型GPT-5。这意味着它能够更精确地理解图像和视频中的复杂场景、物体关系、行为序列，并基于这些信息进行准确的文本描述和回答，为智能内容理解与生成奠定了基础。
跨学科复杂推理的领导者
InternVL3.5在多学科推理基准MMMU中取得的77.7分，是其复杂推理能力的有力证明。MMMU基准涵盖了 STEM、人文科学和社会科学等多个领域，要求模型具备跨领域知识整合、逻辑分析和深度理解的能力。InternVL3.5能够有效地处理包含图表、公式、代码、图片等多种模态信息的复杂问题，并给出精准的解答，这对于科学研究、教育辅导等领域具有重要意义。
强大文本处理能力
尽管InternVL3.5是一个多模态模型，但其文本能力同样出色。在AIME、GPQA及IFEval等多个文本基准测试中，模型取得了85.3的均分，处于开源领先地位。这确保了其在多模态交互过程中，能够生成高质量、逻辑清晰、语义准确的文本响应，无论是进行问答、摘要还是内容创作，都能提供强大的支持。
GUI智能体与具身智能的协同
InternVL3.5强化了GUI（图形用户界面）智能体能力，使其能够理解并操作复杂的数字界面，实现跨平台自动化操作。例如，在ScreenSpot GUI定位任务中，模型以92.9分超越了主流开源模型，这预示着其在办公自动化、软件测试等领域有巨大的应用潜力。此外，模型具备更强的具身空间推理（Embodied Spatial Reasoning）能力和“接地”能力（Grounding Ability），能够理解真实世界中的物理空间和物体属性，泛化到全新的复杂具身场景，支持可泛化的长程物体抓取操作，为机器人技术的发展打开了新的局面。
矢量图形处理的新范式
InternVL3.5在SGP-Bench以70.7分刷新开源纪录，这表明其在矢量图形处理方面达到了前所未有的水平。这一能力使其能够有效应用于网页图形生成、工程图纸解析、UI/UX设计等专业场景。模型能够理解矢量图的结构和语义，并根据指令生成或修改复杂的图形元素，极大地提升了设计效率和自动化程度。
创新技术原理的深层剖析
InternVL3.5之所以能实现如此多的突破，离不开其背后一系列精心设计和验证的创新技术原理。
级联式强化学习（Cascade RL）：智能迭代的动力
InternVL3.5引入了独特的级联式强化学习（Cascade RL）框架，通过“离线预热-在线精调”的两阶段流程，显著提升了模型的推理能力和稳定性。在离线阶段，模型利用混合偏好优化（MPO）算法，从大规模数据中快速学习并提升基础推理能力，为后续训练提供了高质量的样本基础。随后，在在线精调阶段，基于GSPO（Generalized State Preference Optimization）算法，模型以自身生成的高质量样本为基础，动态调整输出分布，进一步优化策略。这种迭代优化的方式，使得模型能够在持续学习中不断逼近最优性能，确保了其在复杂任务上的卓越表现。
动态视觉分辨率路由（ViR）：效率与性能的平衡艺术
为了在处理高分辨率图像时兼顾效率与性能，InternVL3.5采用了动态视觉分辨率路由（ViR）技术。这项技术为每个图像切片动态选择最佳的压缩率：在语义密集或关键信息区域保留高分辨率，以确保细节不丢失；而在背景或非关键区域则进行自适应压缩，从而有效减少视觉tokens的数量。通过智能地管理视觉信息冗余，ViR显著提升了模型的推理速度，同时几乎不损失性能，解决了传统方法中高分辨率输入带来的巨大计算负担。
解耦部署框架（DvD）：资源优化的智能策略
传统的多模态大模型部署往往将视觉编码器和语言模型串行放置，导致资源阻塞和吞吐量低下。InternVL3.5的解耦部署框架（DvD）巧妙地解决了这一问题。它将视觉编码器与语言模型分置于不同的GPU上，并通过BF16精度特征传输和异步流水线设计，使得视觉计算与语言生成能够并行执行。这种并行化处理方式大幅提升了模型整体的吞吐量，尤其对于需要实时响应的应用场景，DvD提供了高效且灵活的部署解决方案，有效利用了硬件资源，降低了推理延迟。
全量级模型优化：满足多样化需求的基石
InternVL3.5提供了从10亿到2410亿参数的九种尺寸模型，包括稠密模型和专家混合模型（MoE），这是对多样化应用需求的深刻洞察。这种全量级的模型优化策略，确保了无论是资源受限的边缘设备，还是需要极致性能的云端应用，都能找到匹配其需求的模型。同时，作为首个支持GPT-OSS语言模型基座的开源多模态大模型，InternVL3.5在开放性和兼容性上也走在了前列，为社区的创新与发展注入了强大动力。
多模态协同推理：从理解到行动的桥梁
InternVL3.5的强大源于其多模态协同推理能力，通过深度融合视觉与语言等多维信息，模型实现了对复杂任务的高效处理。它不仅能够理解不同模态之间的关联，还能在此基础上进行深层次的逻辑推理和决策。这种从“理解”到“行动”的跨越，使得InternVL3.5不再仅仅是一个信息处理工具，而是一个能够主动参与、甚至引导复杂任务完成的智能体，为未来更高级的AI应用奠定了坚实基础。
InternVL3.5的广阔应用前景
InternVL3.5的创新技术和卓越性能，使其在多个领域都展现出巨大的应用潜力和变革力量。
赋能智慧办公与自动化
借助InternVL3.5强大的GUI智能体功能，企业和个人能够实现更高级别的办公自动化。例如，AI可以自动理解并操作复杂的企业软件界面，完成数据录入、报表生成、邮件撰写与发送等任务；它甚至可以根据用户指令，在不同应用程序之间进行数据流转和任务协调，极大提高工作效率，将人力从繁琐重复的劳动中解放出来。
推动智能家居与机器人发展
InternVL3.5的具身空间推理和接地能力，将极大地推动智能家居和机器人领域的发展。服务型机器人将能更准确地理解家庭环境，识别并抓取特定物体，甚至能够学习用户的生活习惯，提供个性化的服务。例如，智能清洁机器人不再是简单避障，而是能根据家庭成员的活动模式，优化清洁路径和时机，甚至识别并清理特定区域的垃圾，实现真正的智能化。
革新教育辅导模式
在教育领域，InternVL3.5的多模态推理和文本能力将为学生提供前所未有的个性化学习体验。模型可以理解包含图表、公式、实验视频的复杂问题，为学生提供详细的步骤解析、概念阐释和知识扩展。它能作为一名全天候的智能导师，根据学生的学习进度和难点，定制专属的学习计划，并以生动多样的形式进行互动辅导，有效提升学习效果和兴趣。
激发内容创作新活力
内容创作者将从InternVL3.5的通用多模态感知能力中受益匪浅。模型可以自动分析视频内容，生成精确的字幕、精彩片段摘要，甚至根据图像风格和主题，智能推荐配色方案或生成创意描述。这不仅能大幅提高内容生产效率，还能帮助创作者探索更多元的表达方式，激发无限的创意可能，尤其是在短视频、新闻摘要、广告文案等领域。
优化设计与工程绘图
InternVL3.5的矢量图形处理能力，将为设计师和工程师带来革命性的改变。在网页设计中，用户只需提供文本描述或草图，模型即可生成高保真的SVG矢量图形，并根据需求进行修改。在工程领域，模型能够解析复杂的CAD图纸，识别其中的结构、尺寸和材料信息，甚至辅助进行结构优化或故障诊断，大大缩短设计周期，提升工程质量。
InternVL3.5的发布，不仅仅是上海人工智能实验室的一次技术展示，更是对多模态AI未来发展方向的一次深刻探索。它以其卓越的性能、灵活的架构和开放的姿态，为人工智能从“理解世界”走向“改变世界”提供了坚实的基石。随着技术的不断演进和应用场景的持续拓展，InternVL3.5无疑将在推动未来智能社会建设中扮演举足轻重的角色。
