InternVL 是上海人工智能实验室 OpenGVLab 推出的多模态大模型，专注于视觉与语言任务。采用 ViT-MLP-LLM 架构，通过视觉模块（如 InternViT）和语言模块（如 InternLM）的融合，实现视觉与语言的深度结合。InternVL 基于海量网络级图像-文本数据训练，支持多种模态输入，如图像、视频、文本，能生成多语言输出。

InternVL – OpenGVLab 推出的多模态大模型 第1张
（图片来源网络，侵删）
InternVL – OpenGVLab 推出的多模态大模型 第2张
（图片来源网络，侵删）