多模态通用感知能力超越 GPT-5，书生・万象 3.5 大模型开源

IT之家 9 月 3 日消息，上海人工智能实验室（上海 AI 实验室）今日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 中获 77.7 分，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。

IT之家附开源地址：

• 技术报告链接：https://huggingface.co/papers/2508.18265
• 代码开源 / 模型使用方法：https://github.com/OpenGVLab/InternVL
• 模型地址：https://huggingface.co/OpenGVLab/InternVL3_5-241B-A28B
• 在线体验链接：https://chat.intern-ai.org.cn/