Élargir les limites de performance des modèles multimodaux open-source avec l'échelle du modèle, des données et du temps de test.Expanding Performance Boundaries of Open-Source Multimodal Models with
Model, Data, and Test-Time Scaling
Nous présentons InternVL 2.5, une série avancée de modèles de langage multimodal large (MLLM) qui s'appuie sur InternVL 2.0, en conservant son architecture de modèle de base tout en introduisant des améliorations significatives dans les stratégies d'entraînement et de test ainsi que dans la qualité des données. Dans ce travail, nous explorons la relation entre l'agrandissement du modèle et ses performances, en explorant systématiquement les tendances de performance dans les encodeurs de vision, les modèles de langage, les tailles de jeu de données et les configurations de test. À travers des évaluations approfondies sur un large éventail de benchmarks, incluant le raisonnement multidisciplinaire, la compréhension de documents, la compréhension multi-images/vidéo, la compréhension du monde réel, la détection d'hallucinations multimodales, l'ancrage visuel, les capacités multilingues, et le traitement de langage pur, InternVL 2.5 affiche des performances compétitives, rivalisant avec des modèles commerciaux de premier plan tels que GPT-4o et Claude-3.5-Sonnet. Notamment, notre modèle est le premier MLLM open-source à dépasser les 70% sur le benchmark MMMU, réalisant une amélioration de 3,7 points grâce au raisonnement Chain-of-Thought (CoT) et démontrant un fort potentiel pour l'agrandissement au moment du test. Nous espérons que ce modèle contribuera à la communauté open-source en établissant de nouvelles normes pour le développement et l'application de systèmes d'IA multimodaux. Pour une démonstration HuggingFace, voir https://huggingface.co/spaces/OpenGVLab/InternVL