书生·万象（InternVL）大模型是由上海人工智能实验室（Shanghai AI Lab）研发的开源多模态大语言模型（MLLM）系列，旨在实现跨模态（文本、图像、视频、语音、3D点云等）的理解与生成能力，并在多个领域达到或超越国际顶尖商业模型水平。以下是其主要特点和发展历程：
1. 核心特点
多模态融合：支持图像、视频、文本、语音、3D点云等多种模态数据的处理与联合推理。
高效训练策略：
渐进式对齐训练：先在小模型上预训练，再迁移到大模型，相比传统方法节省80%算力。
动态高分辨率训练：适应不同分辨率输入，优化视觉数据处理。
强大性能：
InternVL 3.0在MMMU（多模态理解基准）上得分达72.2，超越ChatGPT-4o、Claude-3.5-Sonnet等商业模型。基于司南OpenCompass开源评测框架的全面评估显示，书生·万象3.0在多学科推理、文档理解、多图像/视频理解、现实世界理解、多模态幻觉检测、视觉定位、多语言能力等多个维度上均表现出色，创造了开源多模态大模型的性能新标杆。
在文档理解（DocVQA）、图表分析（ChartQA）、OCR（OCRBench）等任务上媲美闭源模型。
开源生态：代码、模型权重、技术报告全部开源，支持HuggingFace和GitHub部署。
2. 关键技术
ViT-MLP-LLM架构：结合视觉Transformer（ViT）与大语言模型（LLM），提升跨模态表征能力。
链式思考（CoT）推理：增强复杂问题的逻辑推理能力。
像素逆置操作：减少视觉Token数量，提高计算效率。
合成数据+模型飞轮：通过高质量合成数据持续优化模型性能。
3. 应用场景
视觉问答（VQA）：如分析新闻图片（如嫦娥六号返回舱）并回答专业问题。
文档理解：法律、医疗等领域的结构化信息提取。
多语言翻译**：支持跨语言文本与视觉内容的理解。
智能设计辅助：如建筑图纸解析、工业设计优化。
4. 发展历程
2021年：推出书生1.0（Intern），专注视觉任务。
2022年：升级至书生2.0（InternImage），支持视频理解与翻译。
2023年：发布InternVL，降低80%训练成本。
2024年7月：开源InternVL 2.0，采用渐进式训练策略。
2024年12月：推出InternVL 2.5，成为首个MMMU超70分的开源模型。
2025年4月：推出InternVL 3.0开源模型，MMMU达72.2分。
5. 行业影响
降低AI门槛：开源策略推动学术与产业界应用。
挑战商业闭源模型：在多项基准测试中媲美或超越GPT-4o、Claude等。
赋能垂直领域：如气象预报（书生·风乌）、航空设计（书生·翼飞）。
书生·万象的持续演进体现了上海AI实验室在通专融合大模型方向的战略布局，为AGI（通用人工智能）发展提供了重要技术路径。