InternVL是一个大型的视觉-语言基础模型（vision-language foundation model），它将视觉编码器的参数扩展到60亿（6 billion parameters），并使用来自互联网的大规模图像-文本数据，逐步与大型语言模型（LLMs）对齐。这个模型能够广泛应用于各种视觉语言任务，并在32个通用视觉语言基准测试中取得了最先进的性能，包括但不限于：
视觉感知任务（Visual Perception Tasks）：如图像级别或像素级别的识别。视觉语言任务（Vision-Language Tasks）：如零样本图像/视频分类（Zero-Shot Image/Video Classification）、零样本图像/视频-文本检索（Zero-Shot Image/Video-Text Retrieval）。多模态对话系统（Multi-modal Dialogue Systems）：与LLMs链接，创建能够进行复杂视觉-语言对话和交互的系统。InternVL的设计包括几个关键点：
参数平衡的视觉和语言组件：包含一个扩展到60亿参数的视觉编码器和一个具有80亿参数的大型语言模型中间件，后者作为重要的“粘合”层，根据用户命令重新组织视觉特征。一致的表示：为了保持视觉编码器和LLM之间的表示一致性，采用预训练的多语言LLaMA模型来初始化中间件，并与视觉编码器对齐。 渐进式图像-文本对齐：利用来自不同来源的图像-文本数据，通过渐进对齐策略确保训练稳定性，该策略首先在大规模噪声图像-文本数据上启动对比学习，然后过渡到细粒度数据上的生成学习。InternVL的开源信息可以在以下链接中找到：
论文链接：arXiv:2312.14238 开源代码：GitHub – OpenGVLab/InternVL此外，InternVL还提供了Demo试用，可以在这里访问：InternVL Demo。
