InternVL 由 OpenGVLab 开发，是一个开源的多模态对话模型，其性能接近商业化的 GPT-4V 模型。

GPT-4V 是 OpenAI 去年推出的多模态模型，使用它你可以分析所需的任何类型的图像并获取有关该图像的信息。

1. InternVL 开源模型

而今天的主角研究成果 InternVL 发布在 CVPR 2024 上，并提供了多种模型版本以适应不同的应用场景，如 InternVL−Chat−V1.5 支持 4K 图像和强大的光学字符识别（OCR）功能。

开源地址：https://github.com/OpenGVLab/InternVL

2. 支持特性

InternVL 家族通过提供多种模型版本，支持从图像分类到多模态对话的多种功能。以下是一些关键特性：

多语言支持：InternVL 能够支持超过 110 种语言的生成。

高性能：在多个基准测试中，InternVL-Chat-V1.5 接近 GPT-4V 和 Gemini Pro 的性能。

多种模型选择：提供了不同参数规模的模型，从 6B 到 19B 不等，以适应不同的计算资源和应用需求。

跨模态检索：支持英文和中文的零样本图像-文本检索，以及多语言零样本图像-文本检索。

以下是 InternVL 在不同任务上的性能对比图：

3. 效果怎么样？

我把上图给到开源模型，让他自己介绍一下图片中的内容：

算个数学题：

还能感知颜色：

智能 OCR：

4. 代码示例

以下是使用 InternVL-Chat 模型进行单轮对话的示例代码：

from transformers import AutoTokenizer, AutoModel
import torch
import torchvision.transforms as T
from PIL import ImageIMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)def build_transform(input_size):MEAN, STD = IMAGENET_MEAN, IMAGENET_STDtransform = T.Compose([T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),T.Resize((input_size, input_size), interpolation=T.InterpolationMode.BICUBIC),T.ToTensor(),T.Normalize(mean=MEAN, std=STD)])return transform# 省略部分代码...model = AutoModel.from_pretrained("OpenGVLab/InternVL-Chat-V1-5",torch_dtype=torch.bfloat16,low_cpu_mem_usage=True,trust_remote_code=True).eval().cuda()tokenizer = AutoTokenizer.from_pretrained("OpenGVLab/InternVL-Chat-V1-5", trust_remote_code=True)pixel_values = load_image('./examples/image1.jpg', max_num=6).to(torch.bfloat16).cuda()generation_config = dict(num_beams=1,max_new_tokens=512,do_sample=False,
)# 单轮对话
question = "请详细描述图片"  # Please describe the picture in detail
response = model.chat(tokenizer, pixel_values, question, generation_config)
print(question, response)

历史盘点

逛逛 GitHub 每天推荐一个好玩有趣的开源项目。历史推荐的开源项目已经收录到 GitHub 项目，欢迎 Star：

地址：https://github.com/Wechat-ggGitHub/Awesome-GitHub-Repo

---

推荐阅读

1. GitHub 上有什么好玩的项目？

2. 推荐 5 个本周很火的 GitHub 项目

3. 推荐 5 个近期火火火的 GitHub 项目

4.  推荐 5 个令人惊艳的 GitHub 项目