开源多模态大模型新突破，书生·万象3.5发布，通用能力、推理能力与部署效率全面升级

转载自书生Intern

• 提供10亿至2410亿参数共九种尺寸模型，覆盖不同资源需求场景，包含稠密模型和专家混合模型（MoE），首个支持GPT-OSS语言模型基座的开源多模态大模型；
• 旗舰模型InternVL3.5-241B-A28B在多学科推理基准MMMU中获得开源模型最高分77.7分，多模态通用感知基准MMStar和OCRBench分别取得77.9分和90.7分，超越GPT-5（75.7分/80.7分），文本推理基准AIME25和MMLU-Pro分别达到75.6和81.3分，全面领先现有开源多模态大模型；
• 依托级联式强化学习框架（Cascade RL），全系列模型推理性能相比上一代平均提升16.0分。其中InternVL3.5-241B-A28B综合推理性能达到66.9分，超越上一代模型的54.6分以及Claude-3.7-Sonnet的53.9分，在数学推理、逻辑推理等复杂任务中表现突出；
• 借助创新的视觉分辨率路由（ViR）与解耦部署框架（DvD），38B模型在896分辨率下的响应速度大幅提升，单次推理延迟由369 ms缩短至91 ms（提升约4倍）；与此同时，轻量化的InternVL3.5-Flash在将视觉序列长度减少 50% 的情况下，仍能保持接近 100% 的性能水平；
• 加强GUI智能体、具身智能体、SVG图形理解与生成等智能体核心能力，在ScreenSpot GUI定位（92.9分）、VSI-Bench空间推理（69.5分）、SGP-Bench矢量图理解（70.6分）等任务中超越主流开源模型。

探索级联式强化学习，解锁稳定、有效、可扩展的后训练框架

传统强化学习在多模态模型中常面临“效率低”或“性能上限低”的两难——离线强化学习训练快但推理能力弱，在线强化学习效果好但计算成本高。InternVL3.5创新提出级联式强化学习（Cascade RL）框架，通过“离线预热-在线精调”两阶段流程，实现粗到精的渐进式推理能力提升。离线强化学习阶段采用混合偏好优化（MPO）算法快速让模型达到基础推理水平，为后续训练提供高质量输出样本；后续的在线强化学习阶段则基于GSPO算法，以模型自身生成的样本为基础，动态调整输出分布，无需依赖外部参考模型，在MoE大模型中训练稳定性显著提升。对比单阶段强化学习，级联式强化学习仅通过50%的GPU训练时间即可达到更优的综合性能，同时在1B到241B全参数规模中均实现稳定性能增益，例如2B模型推理得分从38.5分提升至50.7分，241B-A28B模型从60.4分提升至66.9分。

创新多模态加速部署框架，实现实际部署场景吞吐效率4倍提升

多模态模型的视觉模块往往因高分辨率输入而成为效率瓶颈。InternVL3.5通过“动态压缩 + 硬件适配”的双重优化实现突破：一方面，引入动态视觉分辨率路由（ViR），基于视觉一致性学习（ViCO）为每个图像切片动态选择 1/4 或 1/16 的压缩率，在语义密集区域（如文字、图表）保留高分辨率，在背景区域自适应压缩，从而减少 50% 视觉 tokens，在 DocVQA、OCRBench 等高分辨率任务上几乎无损性能的同时显著提升推理速度；另一方面，提出 DvD 解耦部署方案，将视觉编码器（ViT+MLP）与语言模型（LLM）分置于不同 GPU，并结合 BF16 精度特征传输与异步流水线设计，使视觉计算与语言生成能够并行执行。在 896 高分辨率输入下，38B 模型的吞吐量提升达 4.05 倍，有效解决了传统串行部署的资源阻塞问题。

实现全场景能力提升与拓展，推动模型从“理解”到“行动”的跨越

InternVL3.5在通用多模态、多模态推理、文本能力等方面实现显著提升，并强化了面向实际应用的“智能体”与“文本思考”能力，覆盖GUI交互、具身空间推理和矢量图形处理等多个关键场景。具体而言，在图像、视频问答等多模态感知任务中，241B-A28B模型以74.1的平均得分超越现有开源模型，并与商业模型GPT-5（74.0）接近；在多模态推理方面，241B-A28B模型在MMMU基准获得77.7分，较前代提升超5个百分点，位列开源榜首，数学与逻辑推理也达到高水平；在表现文本能力的AIME、GPQA及IFEval等多个基准中，模型可以取得85.3的均分，处于开源领先。GUI交互部分，模型在ScreenSpot-v2元素定位任务以92.9分超越同类模型，同时支持Windows/Ubuntu自动化操作，并在WindowsAgentArena任务大幅领先Claude-3.7-Sonnet；在具身智能体测试当中，模型表现出理解物理空间关系并规划导航路径的能力，在VSI-Bench以69.5分超过Gemini-2.5-Pro；模型对于矢量图形的理解与生成也展现了优秀的能力，在SGP-Bench以70.7分刷新开源纪录，生成任务FID值也优于GPT-4o和Claude-3.7-Sonnet，能够有效应用于网页图形生成与工程图纸解析等专业场景。

2、根据文字指令编辑矢量图文件

通用推理能力

问题

解答这道题

回答

(中间思考过程略)

问题

上面大方框中的纸折叠成一个正方形盒子之后，形成的箭头的形状，应该是下面A B C D中的哪个

回答

(中间思考过程略)

问题

这是什么桌游？给出判断依据，分析场上局势，给出下一步的行动建议

回答

(中间思考过程略)

-- 完 --

机智流推荐阅读：

1. 聊聊大模型推理系统之 Arrow：自适应调度实现请求吞吐提升7.78倍背后的三大创新‍

2. 1.5 倍加速 MoE 训练：从零构建基于 Blackwell 的 MXFP8 Kernels‍‍

3. 3D/4D World Model（WM）近期发展的总结和思考

4. 港大联合月之暗面发布OpenCUA：32B模型力压GPT-4o登顶CUA榜，还提供端到端的CUA研究解决方案！