【免费下载链接】InternVL3_5-30B-A3B-Flash项目地址https://ai.gitcode.com/OpenGVLab/InternVL3_5-30B-A3B-Flash点击查看免费下载InternVL3_5-30B-A3B-Flash 是 InternVL3.5 开源多模态大模型家族的 Flash 变体GUI 交互与具身智能正是它最吸睛的两大新技能——不仅看得懂图片、文本和视频还能看懂屏幕界面并给出操作动作更能理解真实物理空间为智能体Agent打下基础。本文带你全面解读这两项新技能以及 Flash 模式如何用视觉分辨率路由在性能几乎不损失的前提下砍掉 50% 的视觉 token。一、模型速览InternVL3_5-30B-A3B-Flash 是什么项目参数总参数量30.8BMoE 架构每 token 仅激活约 3B语言骨干Qwen3-30B-A3B128 个专家每 token 激活 8 个视觉编码器InternViT-300M推理硬件单张 A100 GPU 即可部署开源协议apache-2.0三个关键看点MoE 架构总参数 30B但每次推理只激活约 3B兼顾 30B 级别的理解力和 3B 级别的推理速度权重与代码同仓交付模型定义见 modeling_internvl_chat.py配置见 configuration_internvl_chat.py动态高分辨率图片会按宽高比动态切成 112 块448×448处理细节密集的长图不丢信息具体参数见 preprocessor_config.json。二、新技能 1GUI 交互——从看懂到会操作以往的多模态大模型只能描述图片而 GUI 交互能力让模型往前跨了一步看懂界面从 App 或网页截图中识别布局定位按钮、菜单、输入框等元素元素定位Grounding把点击发送按钮这类自然语言指令对应到界面上的具体区域输出动作给出点击、长按、拖动、输入等操作建议可驱动端到端的自动操作。能力从哪来InternVL3.5 的监督微调SFT阶段专门引入了能力扩展数据集capability-expansion datasets其中就包含 GUI-based interaction 数据评测端也新增了SGP-Bench屏幕元素定位等 GUI 专属基准详见 README.md 的 GUI Tasks 部分。典型应用场景App / 桌面自动化测试、RPA 流程自动化、视障人士的跨设备操作辅助。为什么说这项技能含金量高GUI 数据是叠加在通用多模态能力之上训练的——模型不需要在理解自然图片和理解界面截图之间二选一截图里的小字按钮、密集表格同样能定位。三、新技能 2具身智能——理解真实物理世界具身智能Embodied AI要回答一个更底层的问题物体在三维空间中的位置关系如何我该朝哪边、走多远去完成操作InternVL3_5-30B-A3B-Flash 的评测清单中新增了四个具身方向基准基准考察内容VSI-Bench视觉场景空间理解距离、左右、遮挡关系ERQA具身问答推理SpaCE-10空间智能OmniSpatial综合空间推理这些基准均列在 README.md 的综合评测列表中对应的训练来源正是 SFT 阶段的 embodied interaction具身交互数据——相当于系统训练模型处理机器人该往哪边走、杯子在桌面的哪个方位这类问题。典型应用场景机器人导航与抓取、空间问答、自动驾驶场景理解。四、Flash 版的核心秘密视觉 token 压缩 50%性能几乎不减Flash 二字的含义就是快和省。核心机制是视觉分辨率路由器Visual Resolution RouterViR每个图块patch先由视觉编码器表示为1024 个视觉 token标准 InternVL3.5 经 pixel shuffle 压缩为256 个Flash 额外挂了一条更高压缩率的通路可压到64 个路由器逐块判断信息密集的图块保留 256简单图块如纯色背景直接走 64。效果视觉 token 数量减少约 50%性能保留近 100%。在 config.json 中可以直观看到本模型的开关与阈值flash_mode: true—— Flash 模式已启用flash_relative_threshold: 0.1、flash_absolute_threshold: 0.5—— 路由器决策阈值downsample_ratio: 0.5—— pixel shuffle 压缩比例。推理入口在 modeling_internvl_chat.py 的generate_flash方法每个图块先要同时通过绝对阈值与相对分位数阈值的双重判定才会被激进压缩。配套的训练阶段叫ViCOVisual Consistency Learning先让模型在不同压缩率下的输出保持一致再单独训练路由器选择压缩率——保证压得更狠不等于看得更差。五、快速上手30B 多模态模型单卡部署指南好消息30B 及以下版本可在单张 A100 GPU上部署无需多机多卡来源README.md Quick Start。第 1 步安装依赖transformers4.52.1模型正常工作的最低版本第 2 步加载模型import torch from transformers import AutoModel model AutoModel.from_pretrained( OpenGVLab/InternVL3_5-30B-A3B-Flash, torch_dtypetorch.bfloat16, low_cpu_mem_usageTrue, use_flash_attnTrue, trust_remote_codeTrue, device_mapauto).eval()第 3 步开始对话GUI / 具身任务用起来就是一张图 一句指令给模型一张截图问如果要点击右上角的确认按钮该执行什么动作它就能给出元素定位与操作建议。单图多轮、多图、视频、批量推理等完整示例可参考 README.md 的 Quick Start 章节对话模板定义在 chat_template.jinja对话管理逻辑在 conversation.py。 遇到复杂推理任务时可开启 Thinking 模式使用官方系统提示并建议do_sampleTrue、temperature0.6。六、总结GUI 交互从描述界面升级到操作界面适配自动化测试、RPA、无障碍等真实场景具身智能理解真实世界的空间关系为机器人等具身智能体提供认知底座Flash 效率ViR 路由器按需压缩视觉 token 50%、性能几乎不减让 30B 级开源多模态模型单卡即可落地。对新手而言建议先用一张 GUI 截图 一句操作指令做最简单的体验最能直观感受这款开源多模态模型的新技能。赞分享【免费下载链接】InternVL3_5-30B-A3B-Flash项目地址https://ai.gitcode.com/OpenGVLab/InternVL3_5-30B-A3B-Flash点击查看免费下载相关推荐Qwen3-VL-30B-A3B多模态大模型开启智能交互新时代Qwen3 VL 30B A3B多模态大模型开启智能交互新时代 导语 阿里通义千问团队发布的Qwen3 VL 30B A3B Instruct模型通过GUI人工智能大模型多模态计算机视觉QwenELVM揭秘60种编程语言背后的终极编译器基础设施ELVM揭秘60种编程语言背后的终极编译器基础设施 ELVMEsoLangVM Compiler Infrastructure是一个强大的编译器基础设施GSE魔兽世界高级宏编译器的终极指南 - 告别传统宏限制实现智能技能编排GSE魔兽世界高级宏编译器的终极指南 告别传统宏限制实现智能技能编排 还在为魔兽世界复杂的技能循环而手忙脚乱吗是否厌倦了传统宏的局限性渴望一个真正智能的开发工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考