OpenGVLab y el Laboratorio de IA de Shanghái (Shanghai AI Lab) presentaron InternVL 2.5, una familia avanzada de modelos multimodales de código abierto con escalas que abarcan desde 1.000 millones hasta 78.000 millones de parámetros, diseñada para cerrar de forma definitiva la brecha de rendimiento entre las soluciones abiertas y los modelos propietarios de frontera como GPT-4o y Claude 3.5 Sonnet. InternVL 2.5 perfecciona su célebre arquitectura de mosaico dinámico de alta resolución (dynamic high-resolution tiling), permitiendo procesar imágenes ultra-amplias hasta resolución 4K y secuencias continuas de video largo sin distorsión de relación de aspecto. Gracias a un pre-entrenamiento multimodal alineado y un post-entrenamiento con optimización de preferencias directas (DPO), el modelo de 78B se sitúa como el sistema de visión y lenguaje abierto más potente del mundo en benchmarks como MathVista, DocVQA y Video-MME.
Capítulo 01
La noticia en una frase
Shanghai AI Lab lanza InternVL 2.5, modelos multimodales abiertos de 1B a 78B que procesan imágenes 4K y video largo igualando a modelos propietarios de frontera.
La variante insignia de 78B supera a GPT-4o en razonamiento de documentos y diagramas científicos, ofreciendo al mismo tiempo versiones de 1B a 8B ejecutables en dispositivos locales y servidores accesibles.
Capítulo 02
