InternVL3 : Exploration de techniques avancées d'entraînement et de stratégies au moment du test pour les modèles multimodaux open-sourceInternVL3: Exploring Advanced Training and Test-Time Recipes for
Open-Source Multimodal Models
Nous présentons InternVL3, une avancée majeure dans la série InternVL, caractérisée par un paradigme de pré-entraînement multimodal natif. Plutôt que d'adapter un grand modèle de langage (LLM) textuel en un modèle de langage multimodal (MLLM) prenant en charge les entrées visuelles, InternVL3 acquiert conjointement des capacités multimodales et linguistiques à partir de données multimodales diversifiées et de corpus textuels purs lors d'une seule étape de pré-entraînement. Ce paradigme de formation unifié résout efficacement les complexités et les défis d'alignement couramment rencontrés dans les pipelines de formation post-hoc conventionnels pour les MLLM. Pour améliorer davantage les performances et l'évolutivité, InternVL3 intègre un encodage de position visuelle variable (V2PE) pour supporter des contextes multimodaux étendus, utilise des techniques avancées de post-formation telles que le réglage fin supervisé (SFT) et l'optimisation mixte des préférences (MPO), et adopte des stratégies de mise à l'échelle au moment du test ainsi qu'une infrastructure de formation optimisée. Des évaluations empiriques approfondies démontrent qu'InternVL3 offre des performances supérieures sur un large éventail de tâches multimodales. En particulier, InternVL3-78B atteint un score de 72,2 sur le benchmark MMMU, établissant un nouvel état de l'art parmi les MLLM open-source. Ses capacités restent très compétitives par rapport aux modèles propriétaires leaders, y compris ChatGPT-4o, Claude 3.5 Sonnet et Gemini 2.5 Pro, tout en maintenant une forte compétence en langage pur. Dans le respect des principes de la science ouverte, nous publierons publiquement les données de formation et les poids du modèle pour favoriser la recherche et le développement des MLLM de nouvelle génération.