- 提供软硬一体化高端视觉检测解决方案

【导语】9月3日，上海人工智能实验室宣布开源通用多模态大模型书生・万象3.5（InternVL3.5），该模型在推理能力、部署效率与通用性上实现全面升级。InternVL3.5提供9种尺寸模型，满足各场景需求，并在多学科推理、多模态感知及文本能力上表现卓越，超越GPT-5等主流模型。此次升级重点强化了面向实际应用的智能体与文本思考能力，在GUI交互、具身空间推理和矢量图形处理等方面实现显著进步，为机器人自动化操作、物品识别与物理交互等领域带来革新。作为书生大模型体系的关键一环，InternVL3.5的全系列下载量已突破2300万次。

　　9 月 3 日消息，上海人工智能实验室（上海 AI 实验室）宣布开源通用多模态大模型书生・万象 3.5（InternVL3.5），其推理能力、部署效率与通用能力全面升级。

　　InternVL3.5 本次开源有 9 种尺寸的模型，参数涵盖 10 亿-2410 亿，可满足各场景需求。其中，旗舰模型 InternVL3.5-241B-A28B 在多学科推理基准 MMMU 中(zhōng)获(huò) 77.7 分(fēn)，为(wèi)开(kāi)源(yuán)模(mó)型(xíng)中(zhōng)最(zuì)高(gāo)分(fēn)；多(duō)模(mó)态(tài)通(tōng)用(yòng)感(gǎn)知(zhī)能(néng)力(lì)超(chāo)越(yuè) GPT-5，文本(běn)能(néng)力(lì)领(lǐng)跑(pǎo)主流(liú)开(kāi)源(yuán)多(duō)模(mó)态(tài)大(dà)模(mó)型(xíng)。

　　与(yǔ) InternVL3.0 相(xiāng)比(bǐ)，InternVL3.5 在(zài)图(tú)形(xíng)用(yòng)户(hù)界(jiè)面(miàn)（GUI）智(zhì)能(néng)体(tǐ)、具(jù)身(shēn)空间感知、矢量图(tú)像(xiàng)理(lǐ)解(jiě)与(yǔ)生(shēng)成(chéng)等(děng)多(duō)种(zhǒng)特(tè)色(sè)任(rèn)务(wu)上(shàng)实(shí)现(xiàn)显(xiǎn)著(zhe)提(tí)升(shēng)。

　　本(běn)次(cì)升(shēng)级(jí)，上(shàng)海(hǎi) AI 实(shí)验(yàn)室(shì)研(yán)究(jiū)团(tuán)队(duì)重(zhòng)点(diǎn)强(qiáng)化(huà)了(le) InternVL3.5 面(miàn)向(xiàng)实(shí)际(jì)应(yīng)用(yòng)的(de)智(zhì)能(néng)体(tǐ)与(yǔ)文本(běn)思(sī)考(kǎo)能(néng)力，在 GUI 交互、具身空间推理和矢量图形处理等多个关键场景实现从“理解”到“行动”的跨越，并得到多项评测验证。

　　GUI 交互部分，InternVL3.5 在 ScreenSpot-v2 元素定位任务以 92.9 分超越同类模型，同时支持 Windows / Ubuntu 自动化操作，并在 WindowsAgentArena 任务大幅领先 Claude-3.7-Sonnet。

　　在具身智能体测试中，InternVL3.5 表现出理解物理空间关系并规划导航路径的能力，在 VSI-Bench 以 69.5 分超过 Gemini-2.5-Pro。

　　在矢量图形理解与生成方面，InternVL3.5 在 SGP-Bench 以 70.7 分刷新开源纪录，生成任务 FID 值也优于 GPT-4o 和 Claude-3.7-Sonnet。

　　具体来看，InternVL3.5 可跨 Windows、Mac、Ubuntu、Android等多个平台，识别界面元素并自主执行鼠标、键盘操作，实现恢复已删除文件、导出 PDF、邮件添加附件等任务的自动化。

　　InternVL3.5 具备更强的 grounding 能力，可以泛化到全新的复杂大量小样本的具身场景，配合抓取算法，支持可泛化的长程物体抓取操作，助力机器人更高效地完成物品识别、路径规划与物理交互。

　　作为上海 AI 实验室书生大模型体系的重要组成部分，InternVL 聚焦视觉模型技术，InternVL 全系列全网下载量已突破 2300 万次。