InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing
本条目由 AI 按收录标准筛选与撰写，经独立的 AI 核查在原文中逐条找到依据，未经人工审核；数字与结论以原文为准。
相关报告
收录理由
该报告为arXiv技术报告，阐述InternVL-U架构、MMDiT生成头、三阶段训练、高语义密度数据合成与推理导向CoT范式，含生成与编辑对照实验，并介绍GenEditEvalKit与TextEdit Benchmark等开源评测资源。
关键要点
- InternVL-U在InternVL 3.5开源MLLM上集成定制MMDiT视觉生成头，并遵循统一上下文建模、模态特定模块化与解耦视觉表示等设计原则。
- 视觉生成头随机初始化，参数量为1.7B；InternVL-U模型总参数量为4B。
- 摘要称在仅4B参数下，其在多种生成与编辑任务上持续优于参数规模超过3×的统一基线如BAGEL(14B)。
- GenEval正文称InternVL-U在统一模型中Overall得分为0.85，高于同表BAGEL(7B+7B)的0.82。
- 多模态理解评测中InternVL-U在MMMU为54.7，BAGEL为55.3。
- 报告提供GitHub仓库与HuggingFace模型页，并发布GenEditEvalKit与TextEdit Benchmark。