InternVL3技术报告

X.Cristiano

于 2025-04-17 10:14:56 发布

阅读量1k

点赞数 29

分类专栏：大模型多模态人工智能文章标签：大模型 Internvl3

本文链接：https://blog.csdn.net/m0_37733448/article/details/147294926

版权

大模型同时被 3 个专栏收录

12 篇文章

订阅专栏

人工智能

7 篇文章

订阅专栏

多模态

4 篇文章

订阅专栏

上海AI Lab联合商汤科技以及国内多所顶尖高校，最近发布了一个新的开源VLM——InternVL3。

它的核心创新在于采用了「原生多模态预训练」(native multimodal pre-training) 范式。
不同于以往先训练好一个纯文本大模型，再想办法让它能处理图像等多模态信息的「后期改造」(post-hoc) 方式，InternVL3 在预训练阶段就同时学习处理文本和多模态（如图像、视频）数据。
这种统一的训练方法能更有效地整合不同模态的信息，解决了传统方法中常见的对齐难题和流程复杂性。
InternVL3 还结合了**可变视觉位置编码 (V2PE)** 来支持更长的多模态上下文，运用了监督微调 (SFT) 和混合偏好优化 (MPO) 等先进的后训练技术，并采用了测试时扩展策略和优化的训练架构。
实验证明，InternVL3 在众多多模态任务上表现优异，其中 InternVL3-78B 在 MMMU 基准测试上达到了 72.2 分，成为开源模型的新标杆，并能与顶尖的闭源模型（如 ChatGPT-4o, Claude 3.5 Sonnet, Gemini 2.5 Pro）相媲美，同时保持了强大的纯文本处理能力。

论文：https://arxiv.org/abs/2504.10479

一、传统 MLLM 方法的「后期改造」之痛

目前主流的MLLM （比如LLaVA、Qwen-VL等）都采用了「后期改造」 (Post-hoc Adaptation)的训练范式。大概的套路是：

强大的基石：首先，需要一个性能卓越的纯文本大语言模型 (LLM)，比如 Llama、Qwen、GPT-4 等。这是模型理解和生成能力的基础。
敏锐的眼睛：其次，需要一个强大的视觉编码器 (Vision Encoder)，通常是 Vision Transformer (ViT) 或其变种，负责从图像或视频中提取视觉特征。这些 ViT 通常也在海量图像数据上预训练过（例如 CLIP）。
沟通的桥梁：然后，需要一个接口模块 (Interface Module)，通常是一个轻量级的网络（如多层感知机 MLP 或 Q-Former），它的作用是将视觉编码器输出的「视觉语言」翻译成文本大模型能够理解的「嵌入表示」。
多阶段的磨合：最后，通过多个训练阶段将这三者「捏合」在一起：
- 阶段一：特征对齐预训练：使用大量的图像-文本对数据 (比如 LAION 数据集)，主要训练接口模块，让它学会如何将视觉特征映射到 LLM 的表示空间。这个阶段通常会冻结 (freeze) ViT 和 LLM 的参数，以节省计算资源并保持它们原有的能力。
- 阶段二：视觉指令微调 (Visual Instruction Tuning) ：使用更高质量、更符合人类交互习惯的多模态指令数据（例如，「图片里有什么？」-「一只猫在睡觉」；「根据图片写一个故事」等），对模型进行微调，使其能够理解并遵循指令进行多模态对话和推理。这个阶段可能会解冻并微调 LLM 的部分或全部参数。

这种方法虽然在实践中取得了巨大成功，但也带来了不少「先天不足」：

对齐难题 (Alignment Challenges) ：视觉和语言是两种截然不同的模态。ViT 和 LLM 在预训练时「各学各的」，后期仅靠一个轻量级接口和有限的对齐数据，很难让它们真正「心意相通」。如何让 LLM 深刻理解视觉细节、空间关系、隐含意义，而不是仅仅处理表层信息，是一个巨大的挑战。
流程复杂，调优困难 (Sophisticated & Hard to Tune) ：多阶段训练引入了大量的超参数和设计选择（冻结哪些层？何时解冻？用什么数据对齐？），整个流程像一个精密的仪器，牵一发而动全身，调试和优化非常困难。
能力权衡与损失 (Compromised Capabilities) ：为了在多模态任务上表现良好，有时不得不牺牲一部分 LLM 原有的语言能力。比如，在指令微调阶段过度拟合多模态数据，可能导致模型在纯文本任务上的性能下降。或者，为了保持语言能力而过度冻结 LLM，又会限制其在多模态任务上的学习潜力。这是一个两难的权衡。
资源消耗巨大 (Resource-Intensive) ：每个阶段都需要大量的计算资源和精心策划的数据集。特别是为了弥补模态鸿沟，往往需要收集和标注针对性的数据（如 OCR 数据、图表数据、细粒度描述数据等），成本高昂。

有没有一种更自然、更统一的方式来培养 MLLM 呢？

二、 InternVL3 ：原生多模态预训练

InternVL3 的想法其实也很直白，架构其实仍然是 ViT-MLP-LLM这一套，只是选用了 原生多模态预训练 (Native Multimodal Pre-training)：

统一的训练阶段 (Unified Pre-training Stage) ：取消了传统方法中独立的特征对齐预训练阶段。在一个统一的、大规模的预训练阶段中，模型同时接触纯文本语料库和多模态数据。
共同优化所有参数 (Joint Parameter Optimization) ：在这个统一的预训练阶段，模型的所有核心组件——视觉编码器 (ViT)、接口模块 (MLP) 和语言模型 (LLM)——的参数都同时参与优化。没有谁是「旁观者」或「被冻结者」。大家一起学习，一起调整。
以文本为中心的预测目标 (Text-centric Predictive Objective) ：尽管输入包含了视觉信息，但训练的目标仍然是经典的自回归预测 (Autoregressive Prediction)，即预测序列中的下一个 token。但关键在于，损失函数 (L\mathcal{L}) 只计算文本 token 的预测损失。

用公式表达就是：对于一个包含文本和视觉 token 的序列 x=(x1,x2,…,xL)\mathbf{x} = (x_1, x_2, \ldots, x_L)，其损失为：

Ltext−only(θ)=−∑xi∈Texti=2Lwi⋅log⁡pθ(xi∣x1,…,xi−1){\mathcal{L}}_{\mathrm{text-only}}(\theta) = -\sum_{\stackrel{i=2}{x_{i}\in\mathrm{Text}}}^{L} w_{i} \cdot \log p_{\theta}(x_{i} \mid x_1, \ldots, x_{i-1}) \\

其中，xi∈Textx_i \in \mathrm{Text} 表示只对序列中是文本 token 的 xix_i 计算损失，pθ(xi∣…)p_{\theta}(x_i \mid \dots) 是模型预测第 ii 个 token 的概率，wiw_i 是该 token 的损失权重（InternVL3 采用了 1l0.5\frac{1}{l^{0.5}} 的平方平均权重，l 为计算损失的文本 token 总数）。

对比一下「原生训练」和「后期改造」：

这样有什么好处呢？

深度协同，消除鸿沟 ：视觉和语言表示从一开始就在统一的模型内部共同学习、相互塑造。这有助于模型学习到更深层次、更本质的跨模态关联，而不是后期「强行」对齐。模态之间的「鸿沟」在学习过程中就被自然地填平了。
简化流程，提升效率 ：将多个分离的训练阶段整合为一个统一的预训练阶段，大大简化了 MLLM 的构建流程，减少了中间环节的调优复杂性。虽然这个统一阶段可能很长，但整体上可能更高效。
释放潜力，减少妥协 ：所有参数共同优化，使得视觉和语言能力可以同步发展，减少了因冻结参数而导致的能力瓶颈，模型可以更充分地学习如何结合多模态信息。
更强的泛化能力 ：在混合数据上进行联合训练，可能促使模型学习到更通用、更鲁棒的表示，从而在未见过的任务或数据上表现更好。

三、 InternVL3 的核心技术

3.1 灵活处理长序列：可变视觉位置编码 (V2PE)

当 MLLM 需要处理包含大量图像（比如一个相册）或高分辨率图像（拆分成很多小块）或长视频时，输入的视觉 token 数量会急剧增加。传统的 Transformer 位置编码是给每个 token (无论文本还是视觉) 分配一个递增的整数索引 (0, 1, 2, 3…)。视觉 token 一多，序列长度可能轻松超过 LLM 的处理上限，导致无法处理或信息丢失。

InternVL3 的解决方案是：给视觉 token 分配更小的位置增量。称之为V2PE (Variable Visual Position Encoding)。

文本 token 的位置索引仍然是 pi=pi−1+1p_i = p_{i-1} + 1。但视觉 token 的位置索引则变为 pi=pi−1+δp_i = p_{i-1} + \delta，其中 δ\delta 是一个小于 1 的分数 (例如 1/4, 1/16, …, 1/256)：

pi=pi−1+{1,if xi is a textual token,δ,if xi is a visual token,p_{i}=p_{i-1}+{\left\{\begin{array}{l l}{1,}&{{\mathrm{if~}}x_{i}{\mathrm{~is~a~textual~token}},}\\ {\delta,}&{{\mathrm{if~}}x_{i}{\mathrm{~is~a~visual~token}},}\end{array}\right.} \\

关键点在于，对于同一张图像（或同一个视频片段）内的所有视觉 token，δ\delta 的值是相同的，这样保证了图像内部的相对空间关系得以保留。

在训练时，δ\delta 的值从一个预定义的集合（如 {1,1/2,1/4,…,1/256}\{1, 1/2, 1/4, \dots, 1/256\}）中随机为每张图片选择。这使得模型学会适应不同「压缩程度」的位置编码。

而在推理时，可以根据输入序列的实际长度灵活地选择一个合适的 δ\delta 值，以在性能和不超过上下文窗口之间取得平衡。

有趣的是，这种设计还有意外收获：论文的消融实验表明，V2PE 不仅在处理长序列时有用，即使在处理普通长度序列的标准基准测试上，使用较小的 δ\delta (如 1/4, 1/16) 相比于 δ=1\delta=1（即传统编码）也能带来性能提升。这似乎暗示，V2PE 可能不仅仅是解决了长度问题，或许还对模型学习视觉-语言对齐有更深层次的好处，值得进一步研究。

3.2 数据策略

InternVL3 采用了纯文本数据和多模态数据的混合喂养。

多模态数据 (约 1500 亿 tokens)：不仅包含了 InternVL 2.5 使用的覆盖广泛领域（图像描述、问答、数学、图表、OCR、文档、对话、医疗等）的数据，还新增了更多真实世界应用场景的数据，如图形用户界面 (GUI) 操作、工具使用、3D 场景理解、视频理解等。这大大扩展了模型的应用范围。
纯文本数据 (约 500 亿 tokens)：主要基于 InternLM 2.5 的预训练数据，并加入了其他开源文本数据集，特别强化了知识密集型任务、数学和推理方面的语料。这是为了确保模型在进行多模态学习的同时，保持甚至增强其核心的语言理解和生成能力。

通过实验确定了 语言数据 : 多模态数据 ≈ 1 : 3 的比例效果最佳。这个比例是在总训练量约 2000 亿 (200B) tokens 的预算下找到的平衡点。太少的语言数据可能削弱基础能力，太多的语言数据则可能冲淡多模态学习的效果。

除了数量和比例，InternVL3 团队也非常注重数据的质量。在后续的 SFT 和 MPO 阶段，都使用了更高质量、更多样化的数据集。

3.3 后训练策略 (SFT & MPO)

原生多模态预训练打下了一个坚实的基础，但要让模型成为能理解复杂指令、进行流畅对话、做出可靠推理的「全能选手」，还需要进一步的后训练 (Post-Training)。InternVL3 采用了两阶段策略：

阶段一：监督微调 (SFT)

使用大量高质量的「指令-回答」数据对进行训练，模型学习模仿这些「标准答案」。沿用了 InternVL 2.5 的一些有效技术（如随机 JPEG 压缩增加鲁棒性、平方损失加权、多模态数据打包提高效率）。

关键在于数据升级：SFT 数据集从 16.3M 样本扩展到 21.7M 样本，并且显著增加了新领域的数据，如工具使用、3D 场景理解、GUI 操作、长上下文任务、视频理解、科学图表、创意写作和多模态推理。这使得模型的能力更加全面。

阶段二：混合偏好优化 (MPO)

如果说 SFT 是教模型「模仿」标准答案，那么 MPO 就是教模型「分辨好坏」并朝着「更好」的方向优化，尤其是在需要复杂推理和判断的场景下，MPO 的作用更加突出。

SFT 时模型是基于「标准答案」预测下一个词，而推理时模型是基于「自己之前生成的词」来预测。这种差异被称作训练与推理的偏差 (Train-Test Discrepancy)，在高难度的、需要一步步推理的任务（如数学题、复杂逻辑）中尤其明显，可能导致模型「一步错、步步错」，即链式思考 (CoT) 能力下降。MPO 的目标是让模型的输出更符合人类的偏好，提升推理的可靠性。

MPO 不仅仅依赖「标准答案」，还利用了「偏好数据」，即告诉模型对于同一个问题，哪个回答更好 (chosen)，哪个回答更差 (rejected)。它结合了多种损失函数：

偏好损失 Lp\mathcal{L}_p (Preference Loss) ：使用类似 DPO 的损失，让模型学习最大化「好答案」的概率，同时最小化「坏答案」的概率。
质量损失 Lq\mathcal{L}_q (Quality Loss) ：使用类似 BCO 的损失，让模型学习判断单个答案的绝对质量（是好是坏），而不仅仅是相对好坏。
生成损失 Lg\mathcal{L}_g (Generation Loss) ：标准的语言模型损失，用在「好答案」上，保持模型的生成能力和流畅性。
总损失是这三者的加权和：L=wpLp+wqLq+wgLg\mathcal{L} = w_p\mathcal{L}_p + w_q\mathcal{L}_q + w_g\mathcal{L}_g。
InternVL3 的实践：

在数据方面，InternVL3 使用了基于 MMPR v1.2 构建的约 300K 偏好样本对，覆盖问答、科学、图表、数学、OCR、文档等多个领域。用 SFT 后的 InternVL3 模型（不同尺寸）生成候选回答，再进行偏好标注。

实验表明，经过 MPO 训练后，模型的推理能力（尤其在数学和逻辑基准上）得到了显著提升。重要的是，这些提升主要来自于 MPO 算法本身，而不是仅仅增加了数据量（MPO 数据是 SFT 数据的一个子集）。

3.4 测试时扩展 (Test-Time Scaling)

模型训练好了，在实际应用（测试）时还能不能再提升一下性能？InternVL3 使用了一种非常常见的测试时扩展策略：Best-of-N (BoN)。

首先，对于一个给定的问题（尤其是需要复杂推理的，如数学题），让训练好的 InternVL3 模型生成 N 个不同的候选答案（比如通过调整随机性参数）。然后，使用一个独立的评价模型 (Critic Model) 来评估这 N 个答案的质量，选出得分最高的那一个作为最终输出。

InternVL3 团队专门训练了一个名为 VisualPRM (Visual Process Reward Model) 的 8B 参数量的模型作为评价者。VisualPRM 的特点是，它不仅能给整个答案打分，还能评估解决方案的每一步 (step-by-step) 的正确性，然后综合得到总分。这使得它对解题过程的评估更加细致和可靠。这个模型本身也是基于高质量的、带有步骤对错标注的多模态问答数据训练得到的。

实验表明，使用 VisualPRM-8B 进行 Best-of-8 (即生成 8 个候选答案选最优) 策略，可以在多个推理基准（如 MathVista, MathVerse）上显著提升 InternVL3 的性能，即使是较小规模的模型也能从中受益。

3.5 InternEVO：优化的训练基础设施

训练 MLLM 比训练纯 LLM 更复杂，因为涉及到 ViT、MLP、LLM 三个不同计算特性的模块，以及视觉和文本两种不同长度和类型的 token，很容易出现计算负载不均衡、通信瓶颈等问题。InternVL3 的高效训练得益于团队扩展和优化的 InternEVO 框架。

InternEVO 的优化：

灵活解耦的分片策略 (Decoupled Sharding) ：允许为 ViT、MLP、LLM 分别设置最优的并行策略（数据并行、张量并行、流水线并行等），更好地平衡负载。
全面的并行支持：支持各种并行方式及其任意组合，适应不同模型规模和硬件环境。
动态负载均衡 (Dynamic Load Balancing) ：缓解因视觉/文本 token 比例变化导致的计算倾斜。
长序列优化 ：结合头并行 (Head Parallelism) 和序列并行 (Sequence Parallelism)，有效支持高达 32K 的长序列训练。
通信优化 ：通过计算和通信的重叠 (Overlap) 等技术减少等待时间。

相比于训练 InternVL 2.5 时使用的基础设施，InternEVO 带来了 50% 到 200% 的训练速度提升（在同等计算预算下）。

四、实验效果

4.1 综合能力

MMMU (大规模多学科多模态理解与推理基准)：这是衡量 MLLM 综合认知能力的一个高难度基准。InternVL3-78B 取得了 72.2 分，不仅刷新了开源 MLLM 的记录，而且显著超过了之前的 SOTA 开源模型（如 InternVL 2.5 的 70.0，Qwen2.5-VL 72B 的 70.2）。
与商业模型比肩：InternVL3-78B 的 72.2 分已经非常接近甚至超过了一些顶尖商业模型（如测评时的 ChatGPT-4o 最新版 72.9%，Claude 3.5 Sonnet 66.4%）。虽然与 Gemini 2.5 Pro (74.7%) 仍有差距，但已经将性能鸿沟大大缩小。

4.2 专项能力

能力维度	关键指标	78B模型表现	对比标杆
多模态推理与数学	MMMU/MathVista/MathVerse	MMMU 72.2 (SOTA)	超Qwen2.5-VL，近GPT-4o
OCR/图表/文档理解	ChartQA/DocVQA/OCRBench	OCRBench 906 (↑52 vs 2.5-78B)	显著优于GPT-4o
多图像理解	BLINK/MMT-Bench/MuirBench	MMT-Bench 73.2	MuirBench弱于Qwen2.5-VL
真实世界理解	RealWorldQA/WildVision	WildVision 73.6	多项超GPT-4o
综合多模态评估	MME/MMBench/MMVet	MMBench 88.7 (EN)	全面领先开源模型
幻觉控制	HallusionBench/POPE	HallusionBench 59.1	落后Gemini 2.5 Pro(64.1)
视觉定位	RefCOCO系列	RefCOCOg 91.5	78B略低于2.5-78B
多语言能力	MMMB/Multilingual MMBench	平均67.4 (6语言)	超Claude-3.5
视频理解	VideoMME/LongVideoBench	LongVideoBench 65.7	接近Gemini 1.5 Pro
GUI/空间推理	ScreenSpot/VSI-Bench	ScreenSpot-V2 90.9 (↑6.5 vs GPT-4o)	显著优于商业模型

关键发现：

规模优势：78B模型在80%任务上达到SOTA
新领域突破：GUI定位(ScreenSpot)和3D推理(VSI)表现突出
待改进项：
- 幻觉控制（落后Gemini 2.5 Pro 5分）
- 多图像理解（MuirBench差距明显）
- 视觉定位（大规模模型反降）

4.3 意外发现：多模态训练反哺语言能力

这个结果很有意思。研究者们对比了 InternVL3 模型（基于 Qwen2.5 base LLM 构建）和 Qwen2.5 Chat 模型（同样基于 Qwen2.5 base LLM，但专门进行语言指令微调）在纯语言任务上的表现。发现能力不但没有损害，而且分数还涨了。

这有可能说明，让模型接触和理解视觉世界，建立起语言符号与真实世界实体的联系，可能反过来促进了模型对语言本身更深层次的理解、常识推理和知识运用能力。视觉信息可能为语言学习提供了宝贵的「锚点」和「具身经验」。

但目前还不能下结论，这是一个值得继续研究的点。

4.4 技术有效性验证：消融研究

为了证明各项技术确实有效，研究者们做了消融实验：

原生预训练的价值：单独将 InternVL 2-8B 的 MLP 预热阶段替换为原生预训练，发现仅此一步就能达到接近完整多阶段训练的性能。这证明了原生预训练范式本身的有效性和高效性。
V2PE 的作用：如前所述，V2PE 不仅解决了长序列问题，在标准任务上也能带来提升，且较小的 δ\delta 效果不错。
MPO 的威力：MPO 显著提升了模型的推理能力，尤其是在数学和逻辑任务上，证明了偏好学习在提升 MLLM 可靠性方面的重要性。

五、贡献

范式转变的可能性：InternVL3 成功验证了「原生多模态预训练」的可行性和优越性。这可能会引领 MLLM 训练范式从「后期改造」向更统一、更原生的方向转变。未来的 MLLM 可能会越来越多地采用类似或更彻底的联合训练策略。
开源贡献：团队不仅发布了模型权重，还公开了训练数据 (InternVL-Data) 和代码。InternVL3 的性能表现，缩小了开源模型与顶级闭源模型之间的差距。这无疑会推动开源 MLLM 生态的发展，为学术研究和产业应用提供更高质量、更易获取的基础模型。
能力边界的拓展：InternVL3 在 GUI 理解、空间推理等新领域的出色表现，展示了 MLLM 在更广泛、更实用的场景中落地的潜力，例如 AI Agent、人机交互、机器人视觉等。
对语言与视觉关系的再认识：InternVL3 意外地提升了语言能力，这促使我们重新思考视觉经验对于语言理解的重要性。也许，通往更强大语言智能的道路，离不开对真实世界的感知和理解。

六、不足

一些可以深入探讨或改进的地方：

原生预训练的「纯粹性」：虽然称为「原生」，但仍然依赖于强大的预训练 ViT 和 LLM 进行初始化。这无疑大大降低了训练成本，但也使得我们无法完全判断这种联合训练范式相比于「从零开始」(from scratch) 的真正效果如何。其成功在多大程度上归功于强大的初始化，多大程度上归功于联合训练本身？
视觉定位能力的瓶颈：在超大模型（78B）上，视觉定位 (visual grounding) 性能相比 26B/38B 版本提升有限甚至略有下降。作者推测是数据比例问题，但这表明在扩展模型时，如何平衡各种细粒度能力（如定位）与宏观理解能力是一个挑战。可能需要更精细的数据工程或模型结构设计。
幻觉问题仍存：虽然在 HallusionBench 等基准上表现不错，但与 Gemini 2.5 Pro 等顶尖模型相比仍有差距，表明减少 MLLM 的幻觉仍然是一个重要的开放性问题。MPO 等对齐技术有所帮助，但可能还不够。
V2PE 的深入理解：V2PE 在标准任务上的意外提升值得进一步探究。为什么较小的 δ\delta 反而更好？这是否意味着当前模型对位置信息的利用方式还有优化空间？δ\delta 的选择策略（训练时随机 vs 推理时固定/自适应）如何影响不同类型的任务？
真实世界泛化性：虽然增加了一些真实世界数据（GUI、3D 等），并在相应基准上表现良好，但模型在开放、动态、交互式真实世界场景中的表现仍有待检验。静态基准测试与实际应用之间仍有差距。
多模态生成：当前仍然着眼于「多模态理解」，没有生成非文本的能力。
计算资源需求：训练和部署如此庞大的模型（尤其是 78B 版本）需要巨大的计算资源，这限制了其在资源受限环境下的应用和研究。虽然 InternEVO 优化了训练效率，但绝对门槛依然很高。