InternVL3.5：上海AILab多模态模型开源发布

上海人工智能实验室重磅开源InternVL3.5（书生·万象3.5）多模态大模型，为AI领域带来新突破。该模型提供九种不同规模版本，参数范围从10亿到2410亿，涵盖稠密结构与专家混合模型（MoE），并首度支持GPT-OSS语言模型基座。InternVL3.5凭借级联式强化学习框架和“离线预热-在线精调”策略，显著提升推理能力，其旗舰版本在MMMU多学科推理基准上取得77.7分的开源模型最高纪录，甚至超越GPT-5。此外，该模型采用动态视觉分辨率路由（ViR）和解耦部署框架（DvD），在高分辨率输入下显著提升响应速度。InternVL3.5在图像视频问答、复杂推理、文本理解生成、GUI智能操作和具身空间推理等多个领域均表现出色，为办公自动化、智能家居、个性化教育等应用场景带来无限可能。

InternVL3.5（书生·万象3.5）是由上海人工智能实验室推出的开源多模态大模型，具备更强的通用能力、推理性能与部署效率。该模型提供从10亿到2410亿参数的九种不同规模版本，涵盖稠密结构与专家混合模型（MoE），是首个支持GPT-OSS语言模型基座的开源多模态系统。通过采用级联式强化学习（Cascade RL）框架，结合“离线预热-在线精调”双阶段训练策略，显著增强模型的推理能力。其旗舰版本InternVL3.5-241B-A28B在多学科推理基准MMMU上取得77.7分，创下开源模型最高纪录，超越GPT-5。同时，借助动态视觉分辨率路由（ViR）与解耦部署框架（DvD），在高分辨率输入下实现响应速度大幅提升，38B模型吞吐量最高提升达4.05倍。

InternVL3.5的核心功能

• 多模态感知能力：在图像与视频问答任务中表现卓越，241B-A28B模型以74.1的平均分领先其他开源模型，接近商业模型GPT-5（74.0）。
• 复杂推理能力：在MMMU多学科推理基准中获得77.7分，较前代提升超过5个百分点，位居开源模型榜首。
• 文本理解与生成：在AIME、GPQA、IFEval等多个评测中取得85.3的平均成绩，处于开源模型领先水平。
• GUI智能操作：强化GUI智能体功能，支持跨平台自动化任务执行，在ScreenSpot GUI定位任务中达到92.9分，优于主流开源方案。
• 具身空间推理：具备更强的视觉定位与空间理解能力，可泛化至全新复杂环境，支持长距离物体抓取等具身智能任务。
• 矢量图形处理：在SGP-Bench测试中以70.7分刷新开源记录，适用于网页图形生成、工程图纸解析等专业领域。

InternVL3.5的技术亮点

• 级联式强化学习（Cascade RL）：采用“离线预热+在线精调”两阶段训练机制。离线阶段利用混合偏好优化（MPO）快速提升基础推理能力，生成高质量训练样本；在线阶段基于GSPO算法，利用模型自生成样本动态优化输出分布，提升训练稳定性与推理表现。
• 动态视觉分辨率路由（ViR）：为图像不同区域智能分配压缩策略，在语义关键区域保留高分辨率，背景区域自适应降采样，有效减少视觉tokens数量，在几乎无性能损失的前提下显著加快推理速度。
• 解耦部署框架（DvD）：将视觉编码器与语言模型分离部署于不同GPU，结合BF16精度特征传输和异步流水线设计，实现视觉处理与文本生成并行化，大幅提升整体吞吐量，缓解传统串行架构的资源瓶颈。
• 全尺寸模型体系：构建覆盖1B至241B参数的九种模型规格，包含稠密与MoE架构，满足从边缘设备到数据中心的多样化部署需求，是首个兼容GPT-OSS基座的开源多模态模型。
• 多模态协同推理机制：深度融合视觉、语言等多源信息，提升模型在复杂任务中的综合判断与决策能力，推动多模态技术由“感知理解”向“自主行动”演进。

InternVL3.5的项目资源

• GitHub仓库：http://github.com/OpenGVLab/InternVL
• HuggingFace模型页面：http://huggingface.co/OpenGVLab/InternVL3\_5-241B-A28B
• 技术论文地址：http://huggingface.co/papers/2508.18265
• 在线体验平台：书生大模型

InternVL3.5的典型应用

• 办公自动化：依托GUI智能体能力，实现Excel数据自动录入、PPT智能排版、邮件批量发送等跨平台操作，显著提升办公效率。
• 智能家居控制：结合具身空间推理，助力家庭服务机器人完成物品识别、路径规划与物理交互，如清洁机器人根据环境自主规划清扫路线。
• 个性化教育辅导：凭借强大的多模态推理与文本生成能力，为学生提供数学、物理等学科的题目解析与逻辑训练，实现精准化学习支持。
• 内容创作辅助：利用多模态感知能力，自动生成图像描述、视频字幕等内容，帮助创作者高效产出高质量多媒体作品。
• 网页与图形设计：基于矢量图形处理技术，根据自然语言指令生成或编辑SVG图形，广泛应用于网页界面设计、图标制作等场景，提升设计灵活性与效率。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《InternVL3.5：上海AILab多模态模型开源发布》文章吧，也可关注golang学习网公众号了解相关技术文章。