InternVL2_5-1B-MPO ist ein multimodales großes Sprachmodell (MLLM), das auf InternVL2.5 und der Mixed Preference Optimization (MPO) basiert und eine überragende Gesamtperformance zeigt. Das Modell integriert das inkrementell vorgetrainierte InternViT mit verschiedenen vorgetrainierten großen Sprachmodellen (LLMs), darunter InternLM 2.5 und Qwen 2.5, unter Verwendung eines zufällig initialisierten MLP-Projektors. InternVL2_5-MPO behält in der Modellarchitektur das gleiche "ViT-MLP-LLM"-Paradigma wie InternVL 2.5 und seine Vorgänger bei und führt die Unterstützung für Multi-Bild- und Videodaten ein. Das Modell liefert hervorragende Ergebnisse bei multimodalen Aufgaben und kann verschiedene visuelle Sprach-Aufgaben wie Bildbeschreibung und visuelle Fragebeantwortung verarbeiten.