InternVL2-40B 荣登开源模型榜首丨SuperCLUE中文多模态大模型基准10月榜单

最新推荐文章于 2025-06-12 16:50:08 发布
原创 最新推荐文章于 2025-06-12 16:50:08 发布
· 504 阅读 · 3 ·
版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #多模态大模型 #深度学习

在今年 7 月 4 日举行的 2024 WAIC 科学前沿主论坛上，书生·万象多模态大模型（InternVL 2.0）正式发布，并陆续开源了 1B、2B、4B、8B、26B、40B 以及 76B 共 7 个参数版本的模型。书生·万象支持图像、视频、文字、语音、三维点云等模态处理，具备强大的真实世界感知能力，并通过首创的渐进式对齐训练策略，实现了成本更低、性能更高。

开源链接：（欢迎 star）

GitHub - OpenGVLab/InternVL: [CVPR 2024 Oral] InternVL Family: A Pioneering Open-Source Alternative to GPT-4o. 接近GPT-4o表现的开源多模态对话模型

模型链接：（欢迎使用）

https://huggingface.co/collections/OpenGVLab/internvl-20-667d3961ab5eb12c7ed1463e

10月12日，SuperCLUE正式发布了 10 月中文多模态理解测评基准 SuperCLUE-V 报告。 InternVL2-40B 在总榜单、基础能力榜单、应用能力榜单均居开源模型榜首。 以下截图来自报告原文，圈黄的为开源模型：

附参评模型说明：

InterViT-6B-448px-V1-5 模型卡 InternVL2-40B
强化学习曾小健
07-23 1229
其中基础瓦片大小为 448×448，瓦片数量范围为 1 至 12。同时，我们增强了预训练数据集的数据规模、质量和多样性，使得。InterViT-6B-448px-V1-5 模型卡。InternVL-聊天-V1-2-Plus。实习生ViT-6B-448px-V1-5。实习生ViT-6B-448px-V1-2。实习生ViT-6B-448px-V1-0。支持动态分辨率，超强 OCR（🔥新）InternVL-聊天-V1-5。InternVL-聊天-V1-2。InternVL-聊天-V1-1。
使用LMDeploy部署InternVL2，速度测试
q742971636的博客
10-12 240
该项目的目标是构建一个多模态API服务，使用模型，通过API接口接收图像和文本输入，并生成相应的描述性文本输出。服务运行在Docker环境中，并使用lmdeploy库进行模型的部署。该博客为开发者提供了一个全面的指南，从环境准备到服务启动，再到模型的测试和评估，涵盖了使用和模型的各个方面，适合对多模态API服务感兴趣的开发者和研究者。
InternVL源码解析 之训练脚本internvl2_40b_hermes2_yi_34b_dynamic_res_2nd_finetune_full.sh internvl_chat_finet
强化学习曾小健
08-07 790
这是一个用于多模态任务训练的 Bash 脚本。set -xshell 的调试模式集群分区名每个节点的 GPU 数量每个任务的 CPU 核心数每个设备的批次大小TensorFlow 日志级别14-18. 设置输出目录并创建(如果不存在)19-50. 使用srun这个脚本主要用于在一个多节点、多 GPU 的环境中微调一个大型多模态模型(InternVL2-40B)。它使用了 DeepSpeed 进行分布式训练,并采用了许多优化技巧,如梯度检查点、动态图像大小等。
InternVL官方微调
强化学习曾小健
08-06 2322
下载预训练模型后，准备自定义的SFT（监督微调）数据。创建类似于此示例的JSON 文件。JSON 文件的格式应为："root"false1"length"},...例子："root"false1"length"102025对于每种具体的JSONL（如纯文本数据、单图像数据、多图像数据、视频数据）的格式都可以按照本文档提供的描述进行组织。
swift 训练InternVL2
强化学习曾小健
08-03 472
【代码】swift 训练InternVL2。
熬夜整理模型下载、量化、代码调用可免费使用离线部署的上千个国内外开源大模型梳理，整理开源的大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主，包括底座模型，垂直领域微调及应用，数据集与教程等
代码讲故事
01-31 2459
熬夜整理模型下载、量化、代码调用，可免费使用离线部署的上千个国内外开源大模型梳理，整理开源的大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主，包括底座模型，垂直领域微调及应用，数据集与教程等。 * Large Language Model (LLM) 即大规模语言模型，是一种基于深度学习的自然语言处理模型，它能够学习到自然语言的语法和语义，从而可以生成人类可读的文本。
多模态大模型 intern_vl 2.0版本解读
samoyan的博客,记录技术成长~
08-06 4844
（还是internvl1.5）我们介绍了InternVL2，这是目前最强大的开源多模态大语言模型（MLLM）。InternVL2家族包括从适合边缘设备的1B模型到显著更强大的108B模型。通过更大规模的语言模型，InternVL2-Pro展示了出色的多模态理解能力，在各种基准测试中表现与商业闭源模型相当。
中文多模态大模型基准8月榜单发布！8大维度30个测评任务，3个模型超过70分
m0_59164304的博客
08-03 2591
GPT-4o取得74.36分，领跑多模态基准。其中基础多模态认知能力和应用能力均有70+分的表现，在技术和应用方面均有一定领先优势。
VLMEvalKit 评测实践:InternVL2 VS Qwen2VL
m0_55303420的博客
09-16 3602
多模态技术的突破，正在改变我们理解和交互世界的方式。无论是强大的感知能力、复杂的推理分析，还是图文融合的创新应用，InternVL2 与 Qwen2-VL 展现了大模型的无限可能。
InternVL2-1B成社区最喜爱的多模态大模型？低门槛微调教程来啦
2401_88022375的博客
10-12 1792
在训练脚本 /root/code/XTuner/xtuner/configs/internvl/v2 /internvl_v2_internlm2_2b_qlora_finetune.py 里，这个参数默认值是 lr = 1e-6。/root/code/XTuner/xtuner/configs/internvl/v2 文件夹里，有一个 internvl_v2_internlm2_2b_qlora_finetune.py 文件，这个文件是用 qlora 方法去微调 InternVL2 系列模型的一个脚本。
InternVL 最佳实践 swift微调
强化学习曾小健
07-29 2567
自定义数据集支持json, jsonl样式, 以下是自定义数据集的例子:(支持多轮对话, 图片支持传入本地路径或URL, 多张图片用逗号’,’分割)(支持纯文本数据)InternVL2模型除了以上数据格式外, 还支持多图多轮训练, 使用tag<image>标明图片在对话中的位置, 如果数据集中没有tag<image>, 默认放在最后一轮query的开头或者用表示图像路径和图像位置InternVL2模型支持视频数据集训练, 无需标明tagInternVL2。
yolo模型精度提升策略
qq_47798402的博客
06-09 1000
结合起来，才能最大程度地提升那6种相似BGA的区分能力，从而显著提高整体mAP。持续进行基于难例分析的主动学习是突破瓶颈的可持续方法。使用自适应优化器、学习率热身与余弦退火，进行充分长周期的训练（配合早停）。持续收集模型在相似BGA上的错误样本，优先标注并加入训练集进行迭代。设计模拟BGA实际成像挑战（反光、模糊、视角变化）的增强方案。尝试引入注意力机制，将分类损失替换为。训练数据（2倍以上是合理起点）。（Focal Loss）以及。显著增加6种相似BGA的。（特别是注意力机制）、
原始的 P-Tuning 和 P-Tuning v2 在实现细节上有哪些不同
ZJQ的博客
06-10 1263
P-Tuning v2（2022） - **改进点**： - 在模型的每一层都添加软提示（类似 Prefix Tuning 的思路），而不只是输入层。 - **引入轻量级 MLP 层**：在预训练模型的输出后添加一个小型的多层感知机，增强分类能力。 - **结构特点**： ``` 输入文本 + 软提示 → 预训练LM → MLP层 → 分类输出 ``` MLP 通常由 1-2 层线性层组成，参数量远小于全量微调。
二维张量dim=1
GHL_17768588743的博客
06-11 777
在PyTorch中处理二维张量（矩阵）时，‌dim=1‌，也就是逐行处理每一行的所有列元素。
简繁体智能翻译软件
weixin_62784879的博客
06-09 704
以常见物品为例：内地称\"创口贴\"，香港称\"胶布\"，台湾称\"OK绷\"；汽车品牌\"奔驰\"在香港译作\"平治\"、台湾译作\"宾士\"，这类词汇差异需要额外认知成本。该工具内置智能词库系统，能自动识别并转换具有地区特色的用词表达，实现内地、香港、台湾三地语言习惯的精准转换。针对台湾地区使用的注音符号（如ㄅㄆㄇㄈ）及网络流行的火星文等特殊文字形式，提供对应的转换方案。这款工具还有许多功能，我就不一一介绍啦。
扣子开发汽车行业智能客服示例
brucexia的专栏
06-11 1345
在本节中，我们想要创建一个AI客服，用于介绍汽车领域的行业知识，因此需要利用知识库的能力。首先，梳理汽车行业知识，形成FAQ（常见问题解答）。然后，将其上传到知识库中。最后，将知识库配置到AI Agent智能体中，使其能够调用知识库的内容作为回复。完成以上步骤之后，当用户咨询Agent有关汽车领域知识的问题时，Agent将根据FAQ的内容进行回答。传统的机器人客服只能生硬地套用FAQ，缺乏灵活性。
破局零售挑战！华为云AI+零售峰会聚焦数智转型实践
最新发布
weixin_43735236的博客
06-12 223
该方案面向零售伙伴客户物流、运营、门店、客服和办公等场景，依托华为云最新发布的CloudDevice关键产品和自有AI大模型，在云上服务方面具备一跳入云、一云多端、极低时延、普惠AI等方面的优势，可为零售伙伴客户筑牢算力底座，满足零售伙伴客户“产-供-营-销-服”全链路智能化核心需求。该计划面向全国数智化企业，汇聚华为云及合作伙伴在政策、产品、技术、品牌等方面的资源与能力，向伙伴开放能力共生、商业共赢和数字化服务三大平台，为零售企业的品牌营销与业务运营提供强大技术支撑，加速企业成长。6月13日，鹭岛厦门！
大模型Transformer触顶带来的“热潮退去”，稀疏注意力架构创新或是未来
打造全国最全的AI Agent开发知识领域的博客
06-11 2230
大模型狂欢落幕，硬核创新登场！Transformer逼近能力天花板，Agent应用成落地新大陆，而架构层正孕育颠覆性突破。中国团队在云端与终端双轨并进，用稀疏注意力、端侧推理优化打开效率魔盒。告别内卷式数据堆砌，迎接深水区技术创新——这一篇，看懂AI未来十年胜负手！
（五）动手学深度学习计算：从数学原理到高效实现的全流程指南
只有左边一个小酒窝的专栏
06-08 935
在实际应用中，我们常常需要自定义层和块来实现特定的功能。PyTorch提供了灵活的API来创建自定义层和块。无参数层：实现不包含可学习参数的层，如激活函数层。return torch.sigmoid(x) # 示例：Sigmoid激活函数含参数层：实现包含可学习参数的层，如自定义的全连接层。组合层：将多个层组合成一个块，实现复杂的功能。return x层是深度学习模型的基本构建块，执行特定的计算任务。块是由多个层组成的模块，提高代码的可读性和可维护性。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值