InternVL est le plus grand modèle visuel de base open source à 14 milliards de paramètres, construit en étendant le modèle ViT à 6 milliards de paramètres et en l'alignant avec un modèle linguistique. Il atteint des performances de pointe sur 32 tâches dans des domaines variés tels que la perception visuelle, la recherche multimodale et le dialogue multimodal.