InternVL3: Исследование передовых методов обучения и рецептов для тестирования в открытых мультимодальных моделях

InternVL3: Exploring Advanced Training and Test-Time Recipes for Open-Source Multimodal Models

April 14, 2025

Авторы: Jinguo Zhu, Weiyun Wang, Zhe Chen, Zhaoyang Liu, Shenglong Ye, Lixin Gu, Yuchen Duan, Hao Tian, Weijie Su, Jie Shao, Zhangwei Gao, Erfei Cui, Yue Cao, Yangzhou Liu, Weiye Xu, Hao Li, Jiahao Wang, Han Lv, Dengnian Chen, Songze Li, Yinan He, Tan Jiang, Jiapeng Luo, Yi Wang, Conghui He, Botian Shi, Xingcheng Zhang, Wenqi Shao, Junjun He, Yingtong Xiong, Wenwen Qu, Peng Sun, Penglong Jiao, Lijun Wu, Kaipeng Zhang, Huipeng Deng, Jiaye Ge, Kai Chen, Limin Wang, Min Dou, Lewei Lu, Xizhou Zhu, Tong Lu, Dahua Lin, Yu Qiao, Jifeng Dai, Wenhai Wang

cs.AI

Аннотация

Мы представляем InternVL3 — значительный шаг вперед в серии InternVL, который характеризуется нативной мультимодальной парадигмой предварительного обучения. В отличие от адаптации текстовой крупной языковой модели (LLM) в мультимодальную крупную языковую модель (MLLM), поддерживающую визуальные входные данные, InternVL3 одновременно приобретает мультимодальные и лингвистические способности на основе разнообразных мультимодальных данных и текстовых корпусов в рамках единого этапа предварительного обучения. Этот унифицированный подход эффективно решает сложности и проблемы согласования, часто возникающие в традиционных пост-обучающих конвейерах для MLLM. Для дальнейшего повышения производительности и масштабируемости InternVL3 включает переменное визуальное позиционное кодирование (V2PE) для поддержки расширенных мультимодальных контекстов, использует передовые методы пост-обучения, такие как контролируемая тонкая настройка (SFT) и смешанная оптимизация предпочтений (MPO), а также применяет стратегии масштабирования на этапе тестирования вместе с оптимизированной инфраструктурой обучения. Многочисленные эмпирические оценки демонстрируют, что InternVL3 обеспечивает превосходную производительность в широком спектре мультимодальных задач. В частности, InternVL3-78B достигает показателя 72.2 на бенчмарке MMMU, устанавливая новый рекорд среди открытых MLLM. Его возможности остаются высококонкурентоспособными по сравнению с ведущими проприетарными моделями, включая ChatGPT-4o, Claude 3.5 Sonnet и Gemini 2.5 Pro, при этом сохраняя сильные навыки в чисто языковых задачах. В соответствии с принципами открытой науки, мы опубликуем как данные для обучения, так и веса модели, чтобы способствовать дальнейшим исследованиям и разработкам в области MLLM следующего поколения.

English

We introduce InternVL3, a significant advancement in the InternVL series featuring a native multimodal pre-training paradigm. Rather than adapting a text-only large language model (LLM) into a multimodal large language model (MLLM) that supports visual inputs, InternVL3 jointly acquires multimodal and linguistic capabilities from both diverse multimodal data and pure-text corpora during a single pre-training stage. This unified training paradigm effectively addresses the complexities and alignment challenges commonly encountered in conventional post-hoc training pipelines for MLLMs. To further improve performance and scalability, InternVL3 incorporates variable visual position encoding (V2PE) to support extended multimodal contexts, employs advanced post-training techniques such as supervised fine-tuning (SFT) and mixed preference optimization (MPO), and adopts test-time scaling strategies alongside an optimized training infrastructure. Extensive empirical evaluations demonstrate that InternVL3 delivers superior performance across a wide range of multi-modal tasks. In particular, InternVL3-78B achieves a score of 72.2 on the MMMU benchmark, setting a new state-of-the-art among open-source MLLMs. Its capabilities remain highly competitive with leading proprietary models, including ChatGPT-4o, Claude 3.5 Sonnet, and Gemini 2.5 Pro, while also maintaining strong pure-language proficiency. In pursuit of open-science principles, we will publicly release both the training data and model weights to foster further research and development in next-generation MLLMs.