多模态通用感知能力超越 GPT-5，上海 AI 实验室开源书生・万象 3.5 大模型

【导语】9月3日，上海人工智能实验室宣布开源通(tōng)用(yòng)多(duō)模(mó)态(tài)大(dà)模(mó)型(xíng)书(shū)生(shēng)・万(wàn)象(xiàng)3.5（InternVL3.5），该(gāi)模(mó)型(xíng)在(zài)推(tuī)理(lǐ)能(néng)力(lì)、部(bù)署(shǔ)效(xiào)率(lǜ)与(yǔ)通(tōng)用(yòng)性(xìng)上(shàng)实(shí)现(xiàn)全面(miàn)升(shēng)级(jí)。InternVL3.5提(tí)供(gōng)9种(zhǒng)尺(chǐ)寸(cùn)模(mó)型(xíng)，满(mǎn)足(zú)多(duō)样(yàng)化(huà)场(chǎng)景(jǐng)需(xū)求(qiú)，并(bìng)在(zài)多(duō)学(xué)科(kē)推(tuī)理(lǐ)、多(duō)模(mó)态感知及文本能力上表现卓越，超越GPT-5等主流模型。此次升级强化了智能体与文本思考能力，尤其在GUI交互、具身空间推理及矢量图形处理上取得显著进步，为机器人、自动化操作等领域带来革新。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，展现出强大的应用潜力。

　　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(zhǔn) MMMU 中(zhōng)获(huò) 77.7 分(fēn)，为开源模型中最高分；多模态通用感知能力超越 GPT-5，文本能力领跑主流开源多模态大模型。

　　与 InternVL3.0 相比，InternVL3.5 在图形用户界面（GUI）智能体、具身空间感知、矢量图像理解与生成等多种特色任务上实现显著提升。

　　本次升级，上海 AI 实验室研究团队重点强化了 InternVL3.5 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。