上海 AI 实验室开源 InternVL3.5：2410 亿参数多模态大模型，性能超越 GPT-5，重新定义开源 AI 边界

2025 年 8 月 31 日，上海人工智能实验室（OpenGVLab）正式开源书生・万象 InternVL3.5，以2410 亿参数旗舰模型 + 九种尺寸矩阵的全量级布局，首次实现开源多模态大模型在推理能力、部署效率、通用性能的全面突破。其旗舰模型 InternVL3.5-241B-A28B 在多学科推理基准 MMMU 中以77.7 分刷新开源纪录，超越 GPT-5（75.7 分），标志着开源多模态 AI 正式迈入 “超越闭源” 的新纪元。

一、三大核心突破：从 “能用” 到 “好用” 的质变

1. 级联式强化学习：推理能力跃升 16 分，数学逻辑全面碾压

InternVL3.5 首创 ** 级联式强化学习（Cascade RL）** 框架，通过 “离线预热 + 在线精调” 双阶段训练，解决传统模型 “训练 - 推理分布偏移” 难题：

离线预热：基于 2170 万高质量多模态样本（含 GUI 操作、3D 图纸、科学图表等），结合混合偏好优化（MPO）生成 1.2 亿伪样本，快速提升基础推理能力；
在线精调：引入 GSPO 算法，利用模型自生成的 10 万 + 复杂任务样本（如数学证明、逻辑推理），动态优化输出分布。
成果：旗舰模型在 AIME25 数学竞赛题中平均得分 75.6 分，超越 Claude-3.7-Sonnet（53.9 分）；逻辑推理基准 ZebraLogic 准确率 89.3%，接近 GPT-5（91.2%）。

2. 动态视觉路由 + 解耦部署：896 分辨率推理速度提升 4 倍

针对高分辨率视觉输入的效率瓶颈，InternVL3.5 推出两大工程创新：

动态视觉分辨率路由（ViR）：智能识别图像关键区域（如文字、人脸）保留高分辨率，背景区域降采样，使 896px 图像的视觉 tokens 减少 62%，38B 模型单次推理延迟从 369ms 降至 91ms（A100 GPU）；
解耦部署框架（DvD）：分离视觉编码器与语言模型，支持异步流水线处理，38B 模型吞吐量提升 4.05 倍，单张 A100 即可部署 8B 模型，8 张 A100 支持 235B 模型，覆盖边缘设备到数据中心的全场景需求。

3. 全尺寸模型矩阵：1B-241B 九种规格，首个兼容 GPT-OSS 基座

首次构建稠密 + MoE 混合架构的全尺寸模型家族，包含：

轻量化系列：1B/2B/4B/8B（单 A100 部署），适合移动端与嵌入式设备；
通用系列：14B/26B/38B（2-4 张 A100），平衡性能与成本；
旗舰系列：78B（6 张 A100）、241B-A28B（MoE，8 张 A100），挑战复杂任务。
独特性：全球首个支持GPT-OSS 语言基座的开源多模态模型，语言能力与多模态理解深度协同，纯文本任务（如 MMLU-Pro）得分 81.3 分，超越同类开源模型 20%。

二、标杆性能：开源模型首次超越闭源商业产品

基准测试	InternVL3.5-241B-A28B	GPT-5	Claude-3.7-Sonnet	开源第二
MMMU（多学科推理）	77.7（开源第一）	75.7	72.1	71.2
MMStar（多模态感知）	77.9	80.7	74.5	70.3
ScreenSpot（GUI 定位）	92.9（开源第一）	94.1	89.2	85.6
SGP-Bench（矢量图理解）	70.7（开源第一）	72.3	68.5	63.2
VSI-Bench（空间推理）	69.5（开源第一）	71.0	65.8	61.1

关键突破：在 GUI 智能体、建筑图纸解析、矢量图生成等垂直场景，InternVL3.5 已达到商业模型 95% 的能力，可直接赋能自动化办公（如跨平台软件操作）、智能制造（如工程图纸审查）等领域。

三、开源生态：从科研到产业的全链路赋能

1. 开发者友好型设计

统一接口：支持 HuggingFace/Transformers 标准调用，提供多图 / 视频 / 文档处理示例代码（如多图对比分析、视频关键帧问答）；
低门槛微调：通过 ms-swift 框架，开发者可基于 10 万 + 行业数据（如医疗影像 + 病历）快速定制模型，38B 模型微调仅需 4 张 A100；
部署工具链：内置量化工具（支持 4-bit AWQ），8B 模型在 RTX 3060 上实现 200+TPS 推理，满足中小企业需求。

2. 产业落地场景

教育领域：支持多学科图文解析（如数学公式 + 几何图），AIME25 解题速度比人类快 3 倍；
智能办公：GUI 定位准确率 92.9%，可自动操作 PS、Excel 等专业软件，处理发票识别 + 表格提取全流程；
科研辅助：支持 128k 长文档（如论文 + 图表），在生物医学图像分析中，病灶定位准确率达 91.2%；
创意产业：矢量图生成支持 SVG 解析，自动生成网页图标、工业设计草图，效率提升 80%。

四、开源价值：推动 AI 技术民主化

InternVL3.5 的开源不仅是技术突破，更是一次AI 普惠运动：

打破技术垄断：首次让中小企业获得接近 GPT-5 的多模态能力，模型训练成本降低 70%；
加速垂直创新：开源九种模型 + 完整训练数据（含 200 亿文本 + 150 亿多模态样本），推动农业（病虫害图像识别）、金融（财报图表分析）等领域快速落地；
生态共建：联合清华大学、商汤科技等 12 家机构，建立多模态开源社区，已吸引 3000 + 开发者参与，贡献 200 + 行业适配方案。