InternVL 是目前最大的开源视觉/视觉-语言基础模型（14B 参数），核心是把 ViT 扩展到6B 参数并与 LLM 对齐，在视觉感知、跨模态检索、多模态对话等任务上取得 32 项 SOTA 成绩。这个仓库（OpenGVLab/InternVL）就是 InternVL 官方 PyTorch 模型权重的下载源，同时还附带了常用多模态评测基准数据集。下面带你一文看懂它的架构、文件结构和快速上手方法。

InternVL 是什么？6B 视觉基础模型 + 14B 多模态模型

InternVL 的核心思路可以拆成两部分：

官方在 README.md 中介绍：InternVL 将 ViT 扩展到 6B 参数并与 LLM 对齐，是当时最大的开源视觉/视觉-语言基础模型。对应论文题为InternVL: Scaling up Vision Foundation Models and Aligning for Generic Visual-Linguistic Tasks（引用格式见 README.md#L52-L63）。

仓库结构与核心文件：模型权重在哪？

这个仓库以"模型权重 + 评测数据"为主，没有训练代码。主要文件分三类：

1️⃣ 预训练模型权重（.pth 文件）

权重清单见 README.md#L23-L28，仓库内可直接定位到：

2️⃣ 语义分割微调权重（ADE20K）

仓库还提供了 ADE20K 分割任务的完整微调产物，文件名即配置摘要，例如：

• 线性探针：linear_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5_1of1.pth
• 头部调优（UperNet + 冻结 backbone）：upernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5_frozen.pth
• 全量微调（UperNet）：upernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5.pth

对应的训练日志（如 upernet_intern_vit_6b_504_80k_ade20k_bs16_lr4e-5.log）也一并收录，方便复现时对照训练曲线。

3️⃣ 多模态评测基准数据集（.jsonl）

这些文件配合 InternVL 做视觉问答（VQA）评测，每条记录包含image、question、answer等字段：

• seed.jsonl：SEED-Bench 选择题（实例计数、场景理解等），配套图片包 SEED-Bench-image.zip
• textvqa_val.jsonl / textvqa_val_llava.jsonl：TextVQA 文字识别问答
• ai2d_test.jsonl / ai2d_test_vlmevalkit.jsonl：AI2D 科学图解理解
• infographicsvqa_val.jsonl：信息图表问答
• scienceqa_test_img.jsonl：ScienceQA 科学问答
• llava-mm-vet.jsonl、mmhal-bench_with_image.jsonl：幻觉检测与开放问答

💡 小提示：仓库的 .gitattributes 配置了 Git LFS 规则，所有*.pth、*.zip等大文件都通过 LFS 存储。直接 clone 后如看到权重文件只有几百字节，说明还没拉取 LFS 真实内容。

如何快速下载并使用 InternVL 权重：完整步骤

拿到权重只需三步：

第一步：clone 仓库

git clone https://gitcode.com/OpenGVLab/InternVL cd InternVL

第二步：启用并拉取 Git LFS 大文件

git lfs install git lfs pull

第三步：加载权重

以 InternViT-6B 为例，用 PyTorch 直接加载：

import torch state_dict = torch.load("intern_vit_6b_224px.pth", map_location="cpu") # 将 state_dict 加载进你的 InternViT-6B 模型结构即可

如果你使用的是 transformers 生态，InternVL 系列权重通常也提供 Hugging Face 格式，可搜索 "OpenGVLab InternVL" 直接from_pretrained加载。

基准性能速览：InternVL 到底强在哪？

ImageNet 系列线性探针分类（README.md#L30-L34）：

ADE20K 语义分割（README.md#L36-L47）：

可以看到，InternViT-6B 仅用 1/16 的数据做线性探针就能拿到 46.5 mIoU，说明其视觉表征泛化能力非常强——这也是"大模型做 few-shot 下游任务"的典型优势。

如何选择合适的模型版本？

• 只要视觉特征、做分类/分割等下游任务→ 选intern_vit_6b_224px.pth（12 GB，最轻量）
• 需要高分辨率 / 多模态对话（VQA）→ 选 448px 系列，推荐最新的 intern_vit_6b_448px_v2_5.pth，v2 支持动态分辨率，小图大图都能吃
• 做对比学习或检索任务→ 选internvl_c_13b_224px.pth（注意 25.4 GB，显存要够）
• 复现分割实验→ 直接下载对应 ADE20K 检查点并参考同名.log验证结果

许可证与引用

项目采用MIT License（见 README.md#L49-L50），可放心用于商业与科研。若用于研究，建议按 README.md#L56-L63 中的 BibTeX 格式引用论文。

总结：InternVL 用"6B ViT + 7B LLM"的组合拳打出了 14B 级别开源视觉-语言模型的最佳成绩。这个仓库是获取其全部官方权重与评测数据的最佳入口——clone 后记得执行git lfs pull，就能开始你的多模态之旅了 🚀