InternVL2
Offene Vision-Language-Modellfamilie des Shanghai AI Lab, konkurrenzfähig mit proprietären multimodalen Modellen
InternVL2 ist eine Familie offener Vision-Language-Modelle von OpenGVLab des Shanghai AI Laboratory. Sie erschien am 4. Juli 2024 in Größen von 1 bis 108 Milliarden Parametern. Die größte Variante kombiniert InternViT mit Llama 3 70B (76 Milliarden Parameter im Sprachmodell). Die Modelle verbinden den Bildencoder InternViT mit einem Sprachmodell. InternVL2-Llama3-76B erzielte im MMMU-Benchmark 62,0 Prozent, lag damals auf dem Niveau von GPT-4o und übertraf andere offene multimodale Modelle bei Aufgaben zum Verständnis von Dokumenten und Diagrammen wie DocVQA und ChartQA. Neben Standbildern kann InternVL2 Videos verarbeiten, indem es Einzelbilder auswählt und über diese hinweg Schlussfolgerungen zieht. Es unterstützt auch mehrere Bildeingaben für Dokument- und Vergleichsaufgaben. Das Modell erschien unter MIT-Lizenz; die Gewichte liegen auf Hugging Face. Damals war es eine der stärksten offenen Alternativen zu geschlossenen Systemen wie GPT-4o und Gemini. Im Dezember 2024 folgte InternVL2.5, dessen größte Variante bei MMMU über 70 Prozent erreichte.