超速解读多模态InternVL-Chat1.5 ，如何做到开源SOTA——非官方首发核心技巧版（待修订）

解读InternVL-chat1.5系列

最近并行是事情太杂乱了，静下心来看一看优秀的开源项目,但是AI技术迭代这么快，现在基本是同时看五、六个方向的技术架构和代码，哪个我都不想放，都想知道原理和代码细节，还要自己训练起来，导致每天脑袋隐隐作痛了，感觉有点天龙八部里的“鸠摩智”的状态。
…目前的大模型核心能力热点是其通用能力的提升，从判别式、到对比学习、再到如今的多阶段对齐训练。VLM多模态模型在这两年已经逐渐普及（比如qwen-vl\deepseek-vl\yi-vl\glm4-v\minicpm-v）等优秀开源模型，InternVl1.5是上海AI LAB一直迭代的多模态视觉语言大模型，之前的版本是1.2，今年迭代到了1.5后达到国内开源的SOTA评测分数，所以来解读一下InternVL1.5是如何做到的！

文章更新比较仓促，我会后续再修订！感谢阅读

`

如今的VLM多模态虽然训练方式阶段各有不同，但是架构范式同质化严重:
1. 视觉基础模型（多模态图文能力的视觉模型，不只有检测、分割、分类、还有图文检索、图像描述、多模态对话的能力）
2. LLM模型
3. 链接两个模型的mlp projector

阅读前置知识(Internvit的由来)

因为InternVL是从1.0开始迭代的，这里我们主要从1.5的版本和其前一版本1.2来进行解析！
Intervl1.0 经过三个阶段：对比学习PT、生成PT、SFT得到的一个视觉语言模型（数据多到少，质量低到高），最后通过深度和广度维度测试选定为6B模型。

作者团队介绍到：
Intervit就是从Intervl中抽出internVIT-6B.（应该是48层变成45层）作为VLM视觉基础模型；也可以直接
作分类和图文检索、和SD的文本编码器（开源项目Mulan）
PIXEL Shuffle ：空间下采样操作,具体在MLP层输入之前；reshape后，默认下采样0.5，1024->256，这样减少了输入到LLM的token数量。代码参考：

vit_embeds = self.pixel_shuffle(vit_embeds,scale_factor=self.downsample_ratio)

一、模型信息概览

internVL-chat参考了LLaVA-NeXT-34B的做法，scale up 模型尺寸来验证VL性能的提升，这是1.2版本的思路，而1.5建立在1.2基础上进行了 迭代优化，先简要介绍下1.5，以及和1.2的区别。

其中包含现在开源的和Plus版本：
MINI-intervl1.5-4 25.5B (internvit (6B)+internlm2-chat-20B(19.86B)+MLP)
MINI-intervl1.5-PLUS： (internvit (6B)+Nous-Hermes-2-Yi-34B+MLP) <未开源>

其中MIN包含：
MINI-intervl1.5-4.2B (internvit (300M)+phi3-mini-128K(3.8b)+MLP)
MINI-intervl1.5-2.2B (internvit (300M)+internLM2-chat_1.8B+MLP)

同样我们从上图对比中可以直观看到1.2到1.5之间一些明显的区别，同样也是改进提升的部分。
主要部分来说LLM的模型基座基本是一样的从小到大，再到34B的Nous-Hermes-2-Yi-34B（HF上开源fine-tune的版本）为PLUS版本的基座，基本上都是挑选的开源模型和其兄弟团队的intern2LM系列。所以LLM模型本身没什么特别需要说明的。
而至于MINI版本是其视觉编码器InternVIT通过蒸馏从6B压缩到300M得到的，再结合PHI3这些小模型。接下来让我们进入核心环节。

二、Feature

---

不同的改进之处：

1. PT阶段

1.2版本的PT阶段VIT+MLP,而1.5的PT阶段对于大尺寸的LLM只训练MLP,小尺寸的LLM训练MLP+vit，

额外说下在PT后模型会被抽出来，减少三层也就是Internvit模型从原来48层减少到45层，再试用Pixel
suffle减少token数量到256.

2. 训练数据

额外使用了GPT-40模型进行标注生成，已经开源在huggingface上

1.5比1.2扩充了在SFT阶段扩充了高质量的双语数据（多语言、精细Prompt标注），特别强化了图像分辨率支持到4K和OCR能力。
因为多模态训练本身需要多任务数据集去训练，数据是保证模型评分指标的第一优先级。
–

不同的只是LLM模型的不同。MINI版本的分别选择了internLM2-chat-1.8B和PHI3-mini-128K

3. Scale up Model

视觉模型与LLM参数量差距过大，一味提升大模型的参数量，VLM的能力并不会随之线性提升，因此从过去的版本的InternVL中通过实验证明了，视觉编码器的scale up也同样重要。所以视觉模型和语言模型同时scale up ,对于性能提升是有必要的,这也贯彻了sacle law。

4. Dynamic Aspect Ratio Matching

这是internvl1.5非常重要的一步骤，因为模型作者认为图像分辨率对于性能提升非常关键，因此聚焦于动态自定义分辨率，设计实现如上图：

1. 预设纵横比集合：例如{1:1, 1:2, 1:3, 1:4, 1:5, 1:6, 2:3, 3:2 …,2:6}多种可能的组合（这取决于自定义min和max两个变量，后面代码会说到）
2. 最优匹配：对于每个输入图像，系统会计算其纵横比，并与预定义的集合进行比较，找出差异最小的纵横比。那么如果有多个匹配的纵横比（即并列最小差异）怎么办？比较原始图像面积与特定纵横比下的图像面积来实现的。如果特定纵横比下的图像面积大于原始图像面积的一半，那么这个纵横比会被选为最优纵横比。
3. patch 分割：输入图像被动态分割成448x448的patch ，patch的数量是根据图像匹配的纵横比和分辨率 （在1到12之间变化）。
4. 图像分割与缩略图（Image Division & Thumbnail）
   调整图像分辨率：一旦确定了合适的纵横比，图像将被调整到相应的分辨率。例如，一个800×1300的图像将被调整到896×1344。
   分割图像：调整后的图像被分割成448×448像素的瓦片。在训练阶段，根据图像的纵横比和分辨率，瓦片的数量可以在1到12，推理时候是1到40
   全局上下文缩略图：同时会resize 原始图像到448x448，帮助模型理解整体场景。

核心代码如下，比较简单不做注释了：

from transformers import AutoTokenizer, AutoModel
import torch
import torchvision.transforms as T
from PIL import Image

from torchvision.transforms.functional import InterpolationMode


IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)


def build_transform(input_size):
    MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
    transform = T.Compose([
        T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
        T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
        T.ToTensor(),
        T.Normalize(mean=MEAN, std=STD)
    ])
    return transform


def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
    best_ratio_diff = float('inf')
    best_ratio = (1, 1)
    area = width * height
    for ratio in target_ratios:
        target_aspect_ratio = ratio[0] / ratio[1]
        ratio_diff = abs(aspect_ratio - target_aspect_ratio)
        if ratio_diff < best_ratio_diff:
            best_ratio_diff = ratio_diff
            best_ratio = ratio
        elif ratio_diff == best_ratio_diff:
            if area > 0.5 * image_size * image_size * ratio[0] * ratio[1]:
                best_ratio = ratio
    return best_ratio

#动态分辨率预处理
def dynamic_preprocess(image, min_num=1, max_num=6, image_size=448, use_thumbnail=False):
    orig_width, orig_height = image.size
    aspect_ratio = orig_width / orig_height

    # calculate the existing image aspect ratio
    target_ratios = set(
        (i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
        i * j <= max_num and i * j >= min_num)
    target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])

    # find the closest aspect ratio to the target
    target_aspect_ratio = find_closest_aspect_ratio(
        aspect_ratio, target_ratios, orig_width, orig_height, image_size)

    # calculate the target width and height
    target_width = image_size * target_aspect_ratio[0]
    target_height = image_size * target_aspect_ratio[1]
    blocks = target_aspect_ratio[0] * target_aspect_ratio[1]

    # resize the image
    resized_img = image.resize((target_width, target_height))
    processed_images = []
    for i in range(blocks):
        box = (
            (i % (target_width // image_size)) * image_size,
            (i // (target_width // image_size)) * image_size,
            ((i % (target_width // image_size)) + 1) * image_size,
            ((i // (target_width // image_size)) + 1) * image_size
        )
        # split the image
        split_img = resized_img.crop(box)
        processed_images.append(split_img)
    assert len(processed_images) == blocks
    if use_thumbnail and len(processed_images) != 1:
        thumbnail_img = image.resize((image_size, image_size))
        processed_images.append(thumbnail_img)
    return processed_images


def load_image(image_file, input_size=448, max_num=6):
    image = Image.open(image_file).convert('RGB')
    transform = build_transform(input_size=input_size)
    images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)
    pixel_values = [transform(image) for image in images]
    pixel_values = torch.stack(pixel_values)
    return pixel_values

额外的实验结果是，训练在1-12 块Patch的范围内，但是推理时候泛化到了40个，(开始说过VIT模型输出是256个token，所以256x(40+1)=10496),实验证明24块为最优效果。

后续有代码相关问题和实践问题我会修订补充在这里

总结

internvl，通过自己提炼的Internvit和探索大模型参数，最终以6B为基准作为基线视觉编码器，再通过提高分辨率改为动态；在视觉模型上下了很大的功夫；其次同样scale up大模型参数量，这也符合scale law的经验，但是最关键的还有其1.5版本尚未开源的高质量数据集（1.2的数据集也可以用，但是明显1.5有一多半的功劳还是数据），期待后续开源数据集。其MINI系列提供了2B和4B版本的模型对于散修来说非常友好，最近几天我也在折腾，打算先用Lora试(用MINI2B版本，进行Lora target qkv \bf16 大概19G+显存的训练开销)，值得一提的是其尚未开源的PLUS版本应该Beach mark得分会更高，但是因为模型参数40B比较大 ,可能普通散修没有资源来微调。