每日论文推荐：我们距离GPT-4V有多远，最接近GPT-4V的开源多模态大模型

最新推荐文章于 2025-12-02 15:55:42 发布

原创

最新推荐文章于 2025-12-02 15:55:42 发布 · 1.2k 阅读

CC 4.0 BY-SA版权

文章标签：

上海人工智能实验室等机构的研究者提出开源模型InternVL1.5，通过强化视觉编码器、动态高分辨率处理和优质双语数据，接近商业模型性能，特别在OCR任务上超越对手，推动多模态社区发展。

📌 元数据概览：

标题：How Far Are We to GPT-4V? Closing the Gap to Commercial Multimodal Models with Open-Source Suites
作者：Zhe Chen, Weiyun Wang, Hao Tian, Shenglong Ye, Zhangwei Gao, Erfei Cui, Wenwen Tong, Kongzhi Hu, Jiapeng Luo, Zheng Ma, Ji Ma, Jiaqi Wang, Xiaoyi Dong, Hang Yan, Hewei Guo, Conghui He, Zhenjiang Jin, Chao Xu, Bin Wang, Xingjian Wei, Wei Li, Wenjian Zhang, Lewei Lu, Xizhou Zhu, Tong Lu, Dahua Lin, Yu Qiao, Jifeng Dai, Wenhai Wang
背景：作者们来自上海人工智能实验室、商汤科技研究院、清华大学、南京大学、复旦大学以及香港中文大学，专业领域包括人工智能、计算机视觉和自然语言处理等。
链接：arXiv:2404.16821
标签：Multimodal Large Language Models (MLLMs), Open-Source Models, Model Compression, Continuous Learning, Dynamic High-Resolution, Bilingual Dataset