---
title: "InternVL3 – 上海 AI Lab 开源的多模态大语言模型"
url: "https://paooo.com/aigc-news/20298/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T16:32:52+08:00"
updated_at: "2026-06-08T16:32:52+08:00"
categories: "AIGC 资讯"
tags: "AI智能体, HuggingFace, OpenAI, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# InternVL3 – 上海 AI Lab 开源的多模态大语言模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/20298/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 原生多模态预训练把语言与视觉统一到同一阶段，兼顾多模态能力与纯语言能力。
- MPO、V2PE 和动态预处理共同增强推理、长上下文理解与复杂多模态输入处理。
- 适合图像视频理解、GUI 代理、工业图像分析、3D 视觉感知与智能客服等场景。

## InternVL3是什么

InternVL3是上海人工智能实验室开源的多模态大型语言模型（MLLM），具有卓越的多模态感知和推理能力。模型系列包括1B到78B共7个不同尺寸的版本，能同时处理文字、图片、视频等多种信息。 InternVL3采用了创新的原生多模态预训练方法，将语言和多模态学习整合到同一个预训练阶段，提升了多模态能力的同时，进一步增强了纯语言能力。模型通过混合偏好优化算法和多模态测试阶段增强，大幅提升了模型的推理能力。

## InternVL3的主要功能

- **多模态感知与推理**：InternVL3 能同时处理文本、图像和视频等多种信息，展现出卓越的多模态感知和推理能力。

- **扩展的多模态能力**：模型进一步扩展了多模态能力，涵盖工具使用、GUI 代理、工业图像分析、3D 视觉感知等更多应用场景。

- **原生多模态预训练**：InternVL3 采用创新的原生多模态预训练方法，将语言和多模态学习整合到同一个预训练阶段，提升了多模态能力的同时，也增强了纯语言能力。

- **长上下文理解**：通过集成可变视觉位置编码（V2PE），InternVL3 在长上下文理解能力上表现更出色。

- **高效部署与调用**：InternVL3 可通过 LMDeploy 的 api_server 部署为 OpenAI 兼容 API，用户可以通过 OpenAI 的 API 接口轻松调用模型。

## InternVL3的技术原理

- **原生多模态预训练**：InternVL3采用了一种创新的原生多模态预训练方法，将语言和视觉学习整合到同一个预训练阶段。与传统的先单独训练语言模型再适配多模态任务的方法不同，InternVL3直接将大规模的多模态数据（如图像-文本、视频-文本序列）与纯文本数据混合训练。统一的训练方式使模型能同时学习语言和视觉表示，在处理视觉语言任务时更加高效，无需额外的对齐模块。

- **监督微调**：在微调阶段，InternVL3使用了随机JPEG压缩、平方损失重加权和多模态数据打包等技术。与[InternVL2.5](https://ai-bot.cn/internvl-2-5/)相比，InternVL3进一步扩展了高质量的训练样本，涵盖工具使用、3D场景理解、GUI操作等多个领域。增强了模型在复杂场景下的稳健性。

- **混合偏好优化**：InternVL3引入了MPO技术，通过结合偏好损失、质量损失和生成损失，显著提升了模型的推理性能。MPO通过引入正负样本的额外监督，帮助模型的输出更接近真实分布，减少推理过程中的偏差。

- **动态预处理与多模态输入处理**：InternVL3支持动态预处理，能根据输入图像的宽高比动态调整图像大小并分割成多个小块，适应模型的输入要求。模型支持多图输入、视频输入等多种多模态对话场景，能灵活处理复杂的多模态任务。

## InternVL3的项目地址

- **HuggingFace模型库**：[https://huggingface.co/OpenGVLab/InternVL3-78B](https://huggingface.co/OpenGVLab/InternVL3-78B)

- **技术论文**：[https://huggingface.co/papers/2504.10479](https://huggingface.co/papers/2504.10479)

## InternVL3的应用场景

- **图像和视频理解**：InternVL3可以用于图像分类、目标检测、视频描述生成等任务，能根据输入的图像或视频生成详细的描述，服务于内容创作和自动化编辑。

- **智能交互与工具使用**：模型支持工具使用和GUI代理功能，可以作为图形用户界面（GUI）智能体，遵循指令操作电脑或手机上的专业软件。

- **工业图像分析与3D视觉感知**：InternVL3的多模态能力扩展至工业图像分析和3D视觉感知，能处理复杂的工业场景图像，支持建筑图纸理解、空间感知推理等任务。

- **智能客服与语言模型应用**：基于其强大的语言生成能力，InternVL3可用于开发智能客服系统，提供更高效、准确的客户支持。

## 常见问题解答 (FAQ)

### InternVL3适合做哪些多模态任务？
InternVL3 可用于图像和视频理解、内容描述生成、工具使用、GUI 代理、工业图像分析、3D 视觉感知以及智能客服等场景，适合需要同时处理文本、图片和视频的应用。

### InternVL3和传统多模态模型有什么区别？
它采用原生多模态预训练，把语言与视觉学习放在同一预训练阶段，而不是先训练语言模型再做多模态适配，因此在多模态能力提升的同时，也增强了纯语言能力。

### InternVL3怎么部署和调用？
文章提到可通过 LMDeploy 的 api_server 将 InternVL3 部署为 OpenAI 兼容 API，便于用现有 OpenAI 接口方式接入应用，降低集成成本。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
