InternVL3.5-1B-HF初体验1.1B参数开源多模态大模型完整入门指南【免费下载链接】InternVL3_5-1B-HF项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HFInternVL3.5-1B-HF 是上海 AI LabOpenGVLab开源的 InternVL3.5 多模态大模型家族中的最小成员总参数仅 1.1B采用 Hugging Face Transformers 标准格式封装。它能理解图像与视频、支持 40K 长上下文并可通过一行配置开启深度思考模式——是个人电脑体验开源多模态大模型、学习 VLM 原理的绝佳起点。一、1.1B 参数都用来做什么了这个模型采用经典的ViT–MLP–LLM三件套架构分工非常明确模块组成规模职责️ 视觉编码器InternViT-300M0.3B把图像切成 448×448 的小块patch提取视觉特征 投影层MLPGELU 激活少量把视觉特征翻译成语言模型能懂的向量️ 语言模型Qwen3-0.6B0.8B28 层 Transformer负责理解与生成几个值得新手记住的关键规格均可在config.json中查证上下文长度max_position_embeddings为40960接近 4 万 token 的对话/推理能力图像输入每张图可拆分为 1~12 个 448×448 的 patch见preprocessor_config.json的min_patches/max_patches每个 patch 对应256 个视觉 token视频支持配有独立的video_preprocessor_config.json可将视频抽帧后送入模型精度bfloat16 权重显存占用友好 小模型 ≠ 弱模型。InternVL3.5 全系都经过多模态持续预训练 监督微调 级联强化学习Cascade RL的完整训练流程1.1B 版本在图像描述、OCR、基础视觉问答上远超其体积给人的预期。二、仓库文件导览每个文件是干嘛的克隆仓库后git clone https://gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HF你看到的就是一个标准 HF 模型仓库核心文件如下文件作用model.safetensors模型权重本体推理时唯一要加载的大文件config.json模型结构总配置架构、视觉/语言参数都在这里preprocessor_config.json图像预处理参数448 分辨率、ImageNet 均值/方差归一化video_preprocessor_config.json视频抽帧与预处理参数processor_config.json声明使用InternVLProcessor图文统一处理chat_template.jinja对话模板定义了图像占位符IMG_CONTEXT的插入方式tokenizer.json / vocab.json / merges.txt分词器三件套基于 Qwen2 分词器special_tokens_map.json / added_tokens.json特殊标记img、/img、video、box等generation_config.json生成默认参数examples/image1.jpg官方示例图片拿来喂给模型试试效果项目自带的示例图就是一只趴在木头上的小熊猫可以直接用它跑第一个 demo三、快速上手三步跑通第一次推理环境要求新手最常踩的坑先记住Python ≥ 3.9PyTorch ≥ 2.0transformers ≥ 4.52.1版本过低会直接报错或输出异常一张 6GB 显存的消费级显卡即可运行 bf16显存更小可加 8-bit 量化Step 1安装依赖pip install transformers4.52.1 accelerate pillowStep 2加载模型注意 InternVL 系列要用AutoModelForImageTextToText不是普通的 CausalLMimport torch from transformers import AutoProcessor, AutoModelForImageTextToText path OpenGVLab/InternVL3_5-1B-HF # 本地路径也可直接填 model AutoModelForImageTextToText.from_pretrained( path, torch_dtypetorch.bfloat16, low_cpu_mem_usageTrue, use_flash_attnTrue, trust_remote_codeTrue, ).eval().cuda() processor AutoProcessor.from_pretrained(path)Step 3给一张图问一句话from PIL import Image image Image.open(examples/image1.jpg).convert(RGB) messages [ {role: user, content: [ {type: image, image: image}, {type: text, text: 这张图里有什么请描述一下。} ]} ] inputs processor.apply_chat_template( messages, add_generation_promptTrue, tokenizeTrue, return_dictTrue, return_tensorspt).to(model.device) out model.generate(**inputs, max_new_tokens256) print(processor.batch_decode(out[:, inputs[input_ids].shape[1]:], skip_special_tokensTrue)[0])几行代码之后你就能看到这只 1.1B 小模型看懂小熊猫并给出描述——这就是多模态大模型最迷人的时刻 四、进阶玩法开启 Thinking 思考模式InternVL3.5 全系支持深度思考。开启方法很简单在系统提示词中加入官方协议让模型先用think标签逐步推理再给出最终答案。官方推荐配合以下采样参数可避免输出重复do_sampleTruetemperature0.6适合用它做数学推理题、图表分析、多图对比等需要多想一步的任务。五、常见问题清单新手高频坑症状原因与解决加载时报architecture not recognizedtransformers 版本低于 4.52.1升级即可模型输出乱码或重复确认使用了apply_chat_template组织输入别手动拼字符串图片识别效果差图片过小或过糊InternVL 按 448×448 切块建议输入分辨率 ≥ 448显存不足改用load_in_8bitTrueBitsAndBytes 8-bit 量化显存约省一半多卡部署加载时加device_mapauto自动切分六、1.1B 多模态模型能落地哪些场景本地图像问答助手跑在消费级显卡 / 边缘设备隐私不出内网轻量 OCR 与文档摘要InternVL 系对文字识别有专门训练教学演示体积极小结构清晰是讲解 VLM 原理的活教材应用原型开发作为感知前端与大语言模型串联成智能体工作流GUI 交互 / 具身智能雏形InternVL3.5 系列原生支持 GUI 理解能力写在最后InternVL3.5-1B-HF 证明了一件事开源多模态大模型已经小到可以塞进你的笔记本。1.1B 参数、标准 HF 格式、Apache-2.0 协议几乎没有上手门槛。如果你正想系统了解视觉 语言大模型是怎么工作的没有比从一个能真正跑起来的小模型开始更好的方式了——克隆仓库跑通上面三步你的多模态之旅正式开始 【免费下载链接】InternVL3_5-1B-HF项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 InternVL3.5-1B-HF初体验：1.1B参数开源多模态大模型完整入门指南
InternVL3.5-1B-HF初体验1.1B参数开源多模态大模型完整入门指南【免费下载链接】InternVL3_5-1B-HF项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HFInternVL3.5-1B-HF 是上海 AI LabOpenGVLab开源的 InternVL3.5 多模态大模型家族中的最小成员总参数仅 1.1B采用 Hugging Face Transformers 标准格式封装。它能理解图像与视频、支持 40K 长上下文并可通过一行配置开启深度思考模式——是个人电脑体验开源多模态大模型、学习 VLM 原理的绝佳起点。一、1.1B 参数都用来做什么了这个模型采用经典的ViT–MLP–LLM三件套架构分工非常明确模块组成规模职责️ 视觉编码器InternViT-300M0.3B把图像切成 448×448 的小块patch提取视觉特征 投影层MLPGELU 激活少量把视觉特征翻译成语言模型能懂的向量️ 语言模型Qwen3-0.6B0.8B28 层 Transformer负责理解与生成几个值得新手记住的关键规格均可在config.json中查证上下文长度max_position_embeddings为40960接近 4 万 token 的对话/推理能力图像输入每张图可拆分为 1~12 个 448×448 的 patch见preprocessor_config.json的min_patches/max_patches每个 patch 对应256 个视觉 token视频支持配有独立的video_preprocessor_config.json可将视频抽帧后送入模型精度bfloat16 权重显存占用友好 小模型 ≠ 弱模型。InternVL3.5 全系都经过多模态持续预训练 监督微调 级联强化学习Cascade RL的完整训练流程1.1B 版本在图像描述、OCR、基础视觉问答上远超其体积给人的预期。二、仓库文件导览每个文件是干嘛的克隆仓库后git clone https://gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HF你看到的就是一个标准 HF 模型仓库核心文件如下文件作用model.safetensors模型权重本体推理时唯一要加载的大文件config.json模型结构总配置架构、视觉/语言参数都在这里preprocessor_config.json图像预处理参数448 分辨率、ImageNet 均值/方差归一化video_preprocessor_config.json视频抽帧与预处理参数processor_config.json声明使用InternVLProcessor图文统一处理chat_template.jinja对话模板定义了图像占位符IMG_CONTEXT的插入方式tokenizer.json / vocab.json / merges.txt分词器三件套基于 Qwen2 分词器special_tokens_map.json / added_tokens.json特殊标记img、/img、video、box等generation_config.json生成默认参数examples/image1.jpg官方示例图片拿来喂给模型试试效果项目自带的示例图就是一只趴在木头上的小熊猫可以直接用它跑第一个 demo三、快速上手三步跑通第一次推理环境要求新手最常踩的坑先记住Python ≥ 3.9PyTorch ≥ 2.0transformers ≥ 4.52.1版本过低会直接报错或输出异常一张 6GB 显存的消费级显卡即可运行 bf16显存更小可加 8-bit 量化Step 1安装依赖pip install transformers4.52.1 accelerate pillowStep 2加载模型注意 InternVL 系列要用AutoModelForImageTextToText不是普通的 CausalLMimport torch from transformers import AutoProcessor, AutoModelForImageTextToText path OpenGVLab/InternVL3_5-1B-HF # 本地路径也可直接填 model AutoModelForImageTextToText.from_pretrained( path, torch_dtypetorch.bfloat16, low_cpu_mem_usageTrue, use_flash_attnTrue, trust_remote_codeTrue, ).eval().cuda() processor AutoProcessor.from_pretrained(path)Step 3给一张图问一句话from PIL import Image image Image.open(examples/image1.jpg).convert(RGB) messages [ {role: user, content: [ {type: image, image: image}, {type: text, text: 这张图里有什么请描述一下。} ]} ] inputs processor.apply_chat_template( messages, add_generation_promptTrue, tokenizeTrue, return_dictTrue, return_tensorspt).to(model.device) out model.generate(**inputs, max_new_tokens256) print(processor.batch_decode(out[:, inputs[input_ids].shape[1]:], skip_special_tokensTrue)[0])几行代码之后你就能看到这只 1.1B 小模型看懂小熊猫并给出描述——这就是多模态大模型最迷人的时刻 四、进阶玩法开启 Thinking 思考模式InternVL3.5 全系支持深度思考。开启方法很简单在系统提示词中加入官方协议让模型先用think标签逐步推理再给出最终答案。官方推荐配合以下采样参数可避免输出重复do_sampleTruetemperature0.6适合用它做数学推理题、图表分析、多图对比等需要多想一步的任务。五、常见问题清单新手高频坑症状原因与解决加载时报architecture not recognizedtransformers 版本低于 4.52.1升级即可模型输出乱码或重复确认使用了apply_chat_template组织输入别手动拼字符串图片识别效果差图片过小或过糊InternVL 按 448×448 切块建议输入分辨率 ≥ 448显存不足改用load_in_8bitTrueBitsAndBytes 8-bit 量化显存约省一半多卡部署加载时加device_mapauto自动切分六、1.1B 多模态模型能落地哪些场景本地图像问答助手跑在消费级显卡 / 边缘设备隐私不出内网轻量 OCR 与文档摘要InternVL 系对文字识别有专门训练教学演示体积极小结构清晰是讲解 VLM 原理的活教材应用原型开发作为感知前端与大语言模型串联成智能体工作流GUI 交互 / 具身智能雏形InternVL3.5 系列原生支持 GUI 理解能力写在最后InternVL3.5-1B-HF 证明了一件事开源多模态大模型已经小到可以塞进你的笔记本。1.1B 参数、标准 HF 格式、Apache-2.0 协议几乎没有上手门槛。如果你正想系统了解视觉 语言大模型是怎么工作的没有比从一个能真正跑起来的小模型开始更好的方式了——克隆仓库跑通上面三步你的多模态之旅正式开始 【免费下载链接】InternVL3_5-1B-HF项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-1B-HF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考