InternLM-XComposer-2.5
一款多功能大型视觉语言模型
- 长上下文输入和输出能力，支持96K长上下文处理
- 超高分辨率图像理解，支持任意比例的高分辨率图像
- 细粒度视频理解，将视频视为由数十到数百帧组成的超高分辨率复合图像
- 多轮多图像对话支持，实现自然的人机多轮对话
- 网页制作，根据文本图像指令编写源代码（HTML、CSS和JavaScript）
- 撰写高质量图文文章，利用Chain-of-Thought和Direct Preference Optimization技术提升内容质量
- 在28个基准测试中表现出色，超越或接近现有开源最先进模型
产品详情
InternLM-XComposer-2.5是一款支持长上下文输入和输出的多功能大型视觉语言模型。它在各种文本图像理解和创作应用中表现出色，实现了与GPT-4V相当的水平，但仅使用了7B的LLM后端。该模型通过24K交错图像文本上下文进行训练，能够无缝扩展到96K长上下文，通过RoPE外推。这种长上下文能力使其在需要广泛输入和输出上下文的任务中表现突出。此外，它还支持超高分辨率理解、细粒度视频理解、多轮多图像对话、网页制作以及撰写高质量图文文章等功能。
