InternVL

想要一个能看图、读文档、理解视频的多模态模型，闭源 API 贵，数据还得传出去。InternVL 是上海 AI 实验室的开源多模态对话模型系列，表现接近 GPT-4o。

它覆盖从 1B 到数百亿参数的多个尺寸，擅长 OCR、图表理解和视频问答，可本地部署和微调。

软件功能

图文理解：看图问答。

文档 OCR：表格与图表。

视频理解：长视频问答。

多尺寸：端侧到服务器。