Mono-InternVL-2B

Mono-InternVL-2B

原生多模态大语言模型融合视觉与文本能力

Mono-InternVL是一个融合视觉编码和文本解码的原生多模态大语言模型。它通过专家混合机制和内生视觉预训练方法优化视觉理解能力,同时保持强大的语言能力。该模型基于InternLM2构建,拥有1.8B激活参数,在多项视觉语言基准测试中表现优异,并将首个token的延迟降低67%,大幅提升了部署效率。

InternLM2Github多模态大语言模型模型视觉识别开源项目语言模型原生模型Huggingface

项目概述

Mono-InternVL-2B是一个创新的原生多模态大语言模型,由上海人工智能实验室开发。该项目将视觉编码和文本解码功能集成到单一的大语言模型中,通过独特的架构设计和训练方法,在保持语言能力的同时实现了优秀的视觉理解能力。

技术特点

创新架构设计

  • 采用专家混合机制(MoE)将视觉专家模块嵌入预训练语言模型
  • 通过冻结语言模型参数来保持原有语言能力
  • 总参数量为3B,激活参数量为1.8B
  • 基于InternLM2-Chat-1.8B模型开发

核心技术创新

  • 提出内生视觉预训练(EViP)技术,实现从粗粒度到精粒度的视觉学习
  • 显著降低了首个token的生成延迟,提升了67%的响应速度
  • 在保持高性能的同时实现了更高效的部署效率

性能优势

综合评测结果

  • 在MMVet等多个权威评测基准上表现优异
  • 相比其他原生多模态模型具有显著性能优势
  • 在多模态任务平均得分上达到55.2分
  • 在视觉问答任务上平均得分达到70.1分

关键能力

  • 优秀的图像理解与描述能力
  • 强大的文本-图像交互能力
  • 出色的OCR文字识别能力,在OCRBench上得分767
  • 良好的视觉推理能力,在数学视觉任务上表现突出

应用场景

交互方式

  • 支持纯文本对话
  • 支持单图单轮对话
  • 支持单图多轮对话
  • 可进行图像描述、诗歌创作等多样化任务

实际应用

  • 图像描述与理解
  • 视觉问答
  • 文档理解与分析
  • 图表解读
  • 数学题目解答

使用说明

  • 基于Transformers框架实现
  • 要求使用transformers 4.37.2版本
  • 支持动态图像预处理
  • 提供完整的代码示例和使用说明
  • 采用MIT许可证开源发布

局限性说明

模型虽然经过安全训练,但仍可能产生意外输出,包括偏见、歧视等有害内容。使用时需注意规避这些风险,避免传播有害信息。

编辑推荐精选

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

热门AI工具生产力协作转型TraeAI IDE
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI助手AI工具AI写作工具AI辅助写作蛙蛙写作学术助手办公助手营销助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

下拉加载更多