InternVL2-26B完全入门指南：10分钟认识这个挑战GPT-4V的开源多模态巨无霸-北京尧图网络

【免费下载链接】InternVL2-26B项目地址https://ai.gitcode.com/OpenGVLab/InternVL2-26B点击查看免费下载InternVL2-26B是 OpenGVLab 开源的指令微调多模态大语言模型VLM能看图说话、读懂文档图表、做 OCR 文字识别和理解视频多项能力对标 GPT-4V。本文带你 10 分钟认识它的架构、性能与上手方法适合新手和普通用户。 InternVL2-26B 是什么InternVL2-26B 是 InternVL 2.0 系列中的 26B 规格模型实际参数约 25.5B由三部分组成组件作用说明InternViT-6B-448px-V1-5视觉编码器眼睛把图片切成小块提取视觉特征MLP Projector投影层翻译官把视觉特征转成语言模型能懂的表示InternLM2-20B语言模型大脑负责理解和生成文本回复它的核心特点8k 上下文窗口训练数据包含长文本、多图片和视频动态分辨率处理图片会被切成 448×448 的图块最多 12 块一张缩略图细节再多的图也不丢信息支持纯文本对话、单图/多图对话、视频理解、目标定位输出 bounding box 坐标MIT 协议开源可自由商用。上图中这只趴在木箱上的小熊猫就是仓库自带的示例图片 examples/image1.jpg——把它喂给模型它就能回答小熊猫在做什么这类问题。性能有多强和 GPT-4V 差多远官方在主流基准上的表现节选自 README.md基准测试GPT-4TGemini-1.5-ProInternVL2-26BDocVQA文档理解87.286.592.9ChartQA图表理解78.181.384.9OCRBench文字识别678754825MME综合感知推理2070.22110.62260.7MathVista数学视觉题58.157.759.4CCBench中国文化理解57.328.473.5可以看到在文档、图表、OCR 这类看字任务上InternVL2-26B 已经反超 GPT-4T在 MMMU 等需要强综合推理的测试上与 GPT-4T 仍有差距。简单说处理扫描件、报表、图表、中英混排文字它是开源阵营里的第一梯队。快速上手10 分钟跑起来硬件要求先对号入座你的显存推荐方式80G如 A100/H100 单卡bf16 全精度直接跑48G 左右BNB 8-bit 量化加载24G × 2 张及以上多卡切分层加载第一步获取模型git clone https://gitcode.com/OpenGVLab/InternVL2-26B也可以直接在代码中写模型路径OpenGVLab/InternVL2-26B让 transformers 自动下载。仓库关键文件一览config.json模型结构配置force_image_size: 448、max_dynamic_patch: 12就是动态分辨率的核心参数modeling_internvl_chat.py主模型类InternVLChatModel定义视觉塔投影层语言模型的拼装方式modeling_intern_vit.py视觉编码器实现modeling_internlm2.py语言模型实现tokenizer.model、conversation.py分词器与对话模板model-00001-of-00011.safetensors等 11 个分片模型权重文件。第二步加载模型3 行核心代码环境要求transformers4.37.2加载时务必带trust_remote_codeTrueimport torch from transformers import AutoTokenizer, AutoModel model AutoModel.from_pretrained( OpenGVLab/InternVL2-26B, torch_dtypetorch.bfloat16, low_cpu_mem_usageTrue, use_flash_attnTrue, trust_remote_codeTrue).eval().cuda() tokenizer AutoTokenizer.from_pretrained(OpenGVLab/InternVL2-26B, trust_remote_codeTrue, use_fastFalse)显存不够时把use_flash_attnTrue换成load_in_8bitTrue即可 8-bit 量化加载多卡部署则参考 README.md 中 Multiple GPUs 一节的split_model方案。第三步问它第一句话from transformers import AutoModel, AutoTokenizer # 加载图片动态分辨率切图归一化 pixel_values load_image(./examples/image1.jpg, max_num12).to(torch.bfloat16).cuda() question image\n请用中文描述这张图片。 response model.chat(tokenizer, pixel_values, question, dict(max_new_tokens1024, do_sampleTrue)) print(response)其中load_image的完整实现含dynamic_preprocess动态切图逻辑在 README.md 的 Inference with Transformers 一节照着复制即可。图片加载参数细节可参考 preprocessor_config.json。三大实用场景场景一文档与图表问答。拍一张发票、报表或论文截图问表格里 Q3 营收是多少OCR 能力让它成为开源里最靠谱的读图助手之一。场景二多图对比。把两张图的pixel_values拼接后一次传入或用Image-1: image / Image-2: image的编号方式独立传入让模型做找不同。场景三视频理解。视频按帧采样如 8~32 帧每帧 448×448每帧前面加FrameN: image前缀即可提问例如这只红熊猫在做什么——仓库示例视频examples/red-panda.mp4对应的就是这个场景。提示多轮对话只需把上次的history传回model.chat(...)批量处理用model.batch_chat(...)。部署与微调生产部署推荐 LMDeploy 生态内的 Turbomind 引擎pip install lmdeploy0.5.3一条命令lmdeploy serve api_server OpenGVLab/InternVL2-26B --server-port 23333就能提供兼容 OpenAI 接口的 REST 服务前端代码可无缝复用微调SWIFT、XTuner、InternVL 官方仓库均支持对 InternVL 系列做 LoRA 或全参微调按各自文档操作即可流式输出用TextIteratorStreamer 线程即可实现打字机效果README 已附完整示例。❓ 新手常见疑问问普通消费级显卡能跑吗25.5B 参数 bf16 权重就约 50GB24G 单卡较吃力。建议8-bit 量化后双卡 24G或 4-bit 量化社区方案尝试单卡速度会牺牲一些。问为什么要trust_remote_codeTrueInternVL 系列自带自定义建模代码如 modeling_internvl_chat.pytransformers 需要加载仓库内的 Python 文件才能实例化模型这是自定义代码模型标签的来源。问和 InternVL 1.5 比提升了什么2.0 用 8k 上下文重训并加入长文本、多图、视频数据长输入和多图/视频场景明显改善且同规格下在 OCR、文档基准上普遍更高。✅ 小结InternVL2-26B 是一款开源、MIT 协议、文档图表 OCR 能力对标甚至反超 GPT-4V的多模态大模型。如果你有让 AI 看懂扫描件、图表和截图的需求它目前是性价比极高的选择单张 80G 卡全精度直跑双卡 24G 量化部署transformers三行代码即可加载。下一步建议先跑通单图对话再接入 LMDeploy 服务最后按需微调。赞分享【免费下载链接】InternVL2-26B项目地址https://ai.gitcode.com/OpenGVLab/InternVL2-26B点击查看免费下载相关推荐终极LobeChat视觉识别指南GPT-4V多模态应用实战技巧终极LobeChat视觉识别指南GPT 4V多模态应用实战技巧 LobeChat是一款功能强大的AI协作平台它为用户提供了一个集成多种AI能力的工作空间。其人工智能大模型AI AgentAI 应用多智能体前端后端本地部署工具调用开源多模态大模型 InternVL2.5-26B-MPO-AWQ 完全指南从入门到生产部署开源多模态大模型 InternVL2.5 26B MPO AWQ 完全指南从入门到生产部署 InternVL2_5 26B MPO AWQ 是由 OpenGVInternVL2_5-26B完整指南为什么这款26B开源多模态大模型值得你本地部署InternVL2_5 26B完整指南为什么这款26B开源多模态大模型值得你本地部署 InternVL2_5 26B 是 OpenGVLab 推出的开源多模态创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

InternVL2-26B完全入门指南：10分钟认识这个挑战GPT-4V的开源多模态巨无霸

相关推荐

期末救星实测：AI课程论文工具如何搞定大纲、写作与一键排版

security-audit-skill：为编码代理构建安全审计技能

MATLAB实现ARIMA+SVM股票价格预测：残差修正与工程实践

更多资讯

Flutter断点续传实战：基于dio的Range请求与文件追加实现

微软将允许Copilot操作Windows电脑本地文件

Roboflow导出YOLOv8数据集避坑指南：标注校验、预处理与目录结构全解析

谷歌Agent白皮书解读：AI智能体架构、工具调用与多Agent协作实践

AI论文写作技巧、研究热点与发表规范全解析

security-audit-skill：基于CLI+JSON的可编程安全审计实战体系

今日更新

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？