OpenGVLab开源发布了InternVL3系列模型，这标志着多模态大型语言模型（MLLM）领域迎来了新的里程碑。InternVL3系列包含从1B到78B共7个尺寸的模型，能够同时处理文字、图片、视频等多种信息，展现出卓越的整体性能。
一款AI视觉语言模型，提供图像分析和描述服务。
OpenGVLab
VideoChat-R1_5-7B是基于Qwen2.5-VL-7B-Instruct构建的视频文本交互模型，支持多模态任务，特别擅长视频问答功能。该模型通过强化微调增强时空感知能力，并采用迭代感知机制来强化多模态推理。
InternVL3.5是开源多模态模型家族的新成员，显著提升了InternVL系列的通用性、推理能力和推理效率，支持GUI交互等新功能，达到开源多模态大语言模型的先进水平。
InternVL3_5-38B是开源多模态模型InternVL3.5系列中的一员，在多功能性、推理能力和推理效率方面取得了显著进展。它支持多语言，可应用于图像文本到文本的任务，采用级联强化学习框架和视觉分辨率路由器技术优化性能。
InternVL3.5-14B是InternVL系列的开源多模态模型，显著提升了通用性、推理能力和推理效率，支持GUI交互等新功能，缩小了与商业模型的性能差距。
InternVL3.5-4B是开源多模态模型系列中的中等规模版本，在通用性、推理能力和推理效率上取得显著进展，支持GUI交互等新能力。该模型采用级联强化学习框架和视觉分辨率路由器技术，实现了高效的多模态理解与推理。
InternVL3.5-4B是开源多模态模型系列的中等规模版本，包含4.7亿参数，采用先进的级联强化学习框架和视觉分辨率路由器技术，显著提升了多模态推理能力和效率。
InternVL3.5-1B是InternVL系列的开源多模态模型，参数量为1.1B，包含0.3B视觉参数和0.8B语言参数。该模型显著提升了通用性、推理能力和推理效率，支持GUI交互等新功能。
brandonbeiler
这是OpenGVLab/InternVL3_5-8B的fp8动态(w8a8)量化版本，针对vLLM高性能推理进行了优化。采用FP8动态量化技术，在保持视觉理解能力的同时显著减少内存占用并提升推理速度。
这是OpenGVLab/InternVL3_5-30B-A3B的fp8动态(w8a8)量化版本，针对vLLM高性能推理优化，采用FP8动态量化技术，内存占用减少约50%，推理速度显著提升
KnutJaegersberg
InternVL3_5-38B-Q8_0-GGUF 是基于 OpenGVLab 的 InternVL3_5-38B 模型通过 llama.cpp 转换而来的 GGUF 量化版本。该模型是一个 38B 参数的多模态视觉语言模型，支持图像和文本的联合理解与生成，采用 Q8_0 量化格式以优化推理效率。
lmstudio-community
这是OpenGVLab的InternVL3_5 14B模型的量化版本，支持图像文本到文本的转换任务，通过量化技术提升了模型运行效率，为相关应用提供了更高效的解决方案。
这是OpenGVLab发布的InternVL3_5 8B模型的GGUF量化版本，专门用于图像文本到文本的转换任务，通过量化技术提供了更高效的推理解决方案。
ConfidentialMind
这是 OpenGVLab/InternVL3-38B 的 FP8 静态量化版本，针对使用 vLLM 进行高性能推理进行了优化，在视觉语言任务上实现了约 2 倍的加速，同时精度损失极小。
VideoChat-R1_7B_caption 是一个基于 Qwen2-VL-7B-Instruct 的多模态视频文本生成模型，专注于视频内容理解和描述生成。
这是一个已发布在模型中心的Transformers模型，具体功能和用途待补充。
这是一个发布在Hub上的Transformers模型，具体功能和用途待补充。
InternVL3 是一个先进的多模态大语言模型系列，具备强大的多模态感知和推理能力，支持图像、视频和文本输入。
InternVL3-38B是一个先进的多模态大语言模型（MLLM），在多模态感知和推理能力上有显著提升，支持工具使用、GUI代理、工业图像分析、3D视觉感知等领域。
InternVL3-14B是一个强大的多模态大语言模型，在多模态感知和推理能力上表现卓越，支持图像、文本、视频等多种输入。
Transformers其他%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
