“迷你版”书生·万象大模型开源，5%参数实现九成性能，“小而美”易迁移

来源：书生Intern｜ 2025-01-17

书生·万象（InternVL）多模态大模型迎来“迷你版”。

近日，上海人工智能实验室（上海AI实验室）与清华大学等联合团队推出Mini-InternVL多模态大模型，包括1B、2B和4B三个参数版本，满足不同需求层级。评测结果显示，Mini-InternVL-4B仅以5%的参数量，即实现了InternVL2-76B约九成性能，显著减少计算成本。

为适应多领域任务，联合团队提出了简单有效的迁移学习框架，使模型知识“一键”域迁移。同时，研究人员对模型架构、数据格式和训练计划进行了标准化处理，增强了模型在特定场景中的视觉理解和推理能力。

自首次发布以来，书生·万象历经多次迭代，在业界广受好评，全系模型在Hugging Face平台下载量已突破400万，GitHub星标数超6800。相关论文入选CVPR Oral，并被Paper Digest评为CVPR 2024年度最具影响力论文之一。

代码仓库地址：https://github.com/OpenGVLab/InternVL

迁移模型权重：https://huggingface.co/collections/OpenGVLab/internvl-adaptation-67542cc9558812823a0281cc

论文链接：https://link.springer.com/article/10.1007/s44267-024-00067-6

专刊网址：https://link.springer.com/journal/44267

当前，多模态大语言模型（MLLMs）在多类型任务上表现出优异性能，但因庞大的参数规模和高额计算成本，限制了其在消费级GPU等低门槛设备上的应用。轻量级多模态大模型方案平衡了参数规模与性能，降低了对高端计算设备的依赖，为促进多种下游应用的发展带来可能。然而，现有的轻量级方案同样面临视觉编码器覆盖领域有限、标准化框架缺乏等挑战，模型知识难以迁移适用。为此，上海AI实验室联合团队基于在多模态大模型研究的技术积淀，提出Mini-InternVL，让模型“小而美”。

Mini-InternVL模型架构

Mini-InternVL的模型结构由视觉编码器、MLP连接层和大语言模型（LLMs）三部分组成。为了增强轻量级视觉编码器的表征能力，研究人员使用CLIP初始化一个300M的视觉编码器，并采用InternViT-6B作为“教师模型”进行知识蒸馏，开发了新的视觉编码器InternViT-300M，并将其与不同的预训练LLMs连接，最终构建出Mini-InternVL。

微信截图_20250117113311.png

Mini-InternVL结构和InternViT训练方法

模型采用动态分辨率输入和Pixel Unshuffle操作方法，使分辨率为448×448的图像可表示为256个视觉标记，支持处理最多40个图像切片。

训练过程分为两个阶段：

· 语言-图像对齐，使用多种任务的数据集进行预训练，确保模型能够处理不同的语言和视觉元素。

· 视觉指令调优，选择特定数据集微调模型，提升其在多模态任务中的表现，并教会模型遵循用户指令。

轻量级视觉编码器InternViT-300M

目前，主流多模态大模型采用在大规模图像-文本配对数据上训练的视觉编码器，如CLIP等，以获得其视觉表示。然而，这些编码器普遍缺乏对视觉世界的全面理解，需要通过与大语言模型的生成预训练进行迭代学习。

与其他通过辅助路径增强视觉基础模型的方法不同，联合团队直接使用了一个经过生成训练的强大视觉模型，将其预训练知识迁移到一个轻量级的视觉模型上。研究人员使用视觉编码器InternViT-6B作为“教师模型”，并用CLIP-ViT-L-336px初始化“学生模型”的权重。通过计算最后K层变换器隐藏状态之间的负余弦相似度损失，对齐“学生模型”和“教师模型”的表征，构建出新的视觉编码器InternViT-300M。

研究人员从多个公开资源中精选自然图像、OCR图像、图表和多学科图像数据集，所有图像的分辨率都被调整为448×448，为提高训练效率，而未使用动态分辨率。最终，InternViT-300M以1/20的参数量，继承了InternViT-6B蕴含的预训练知识，以轻体量适配各类大语言模型。

迁移学习框架，知识“一键迁移”

由于模型设计、数据格式和训练策略的差异，导致多模态大模型之间存在显著异质性。为此，研究人员推出了一个简单有效的迁移学习框架，实现模型设计、数据格式和训练策略的标准化，减少训练数据需求和计算资源成本。

其中指令调优是训练的关键阶段，如下图所示，在数据格式方面，通过将训练数据格式化为视觉问答（VQA）和对话格式，提升模型遵循用户指令的能力。对于其他传统任务，例如图像分类任务，视觉定位任务，区域感知任务和多视角图像和视频帧的理解，此前的多格式内容均被统一单独格式化为VQA格式。

微信截图_20250117114111.png

域迁移框架中的数据格式

实验结果

通用基准测试

Mini-InternVL在多个基准测试中表现优异。最小版本模型仅包含10亿参数，但其性能与20亿参数的同类型模型相当。与其他轻量级模型相比，Mini-InternVL-4B在大多数基准测试中表现出色，在MMbench、ChartQA、DocVQA和MathVista等任务上，其表现接近主流商业模型。值得注意的是，Mini-InternVL仅使用5%的参数，便实现了InternVL2-Llama3-76B约90%的性能表现。

微信截图_20250117143626.png