InternVL2

InternVL2はShanghai AI LaboratoryのOpenGVLabが開発したオープン視覚言語モデル群で、2024年7月4日に公開されました。1Bから最大108B（76B InternViTとLlama 3 70B）までのサイズがあります。InternViT視覚エンコーダーと言語モデルを組み合わせ、最上位のInternVL2-Llama3-76BはMMMUベンチマークで62.0％を記録しました。当時GPT-4oと並ぶ結果で、DocVQAやChartQAなど文書・図表理解タスクでは他のオープンマルチモーダルモデルを上回りました。静止画だけでなく、動画のフレームを抽出して内容を推論でき、文書処理や比較タスク向けに複数画像の入力にも対応します。MITライセンスで重みをHugging Faceから公開し、当時はGPT-4oやGeminiなどのクローズドシステムに対抗する有力なオープンモデルでした。2024年12月には後継のInternVL2.5を公開し、最大モデルのMMMUスコアは70％を超えました。