InternVL2.5-MPO est une série de modèles linguistiques multimodaux de grande taille, construits sur la base d'InternVL2.5 et d'une optimisation de préférence hybride. Ce modèle intègre InternViT, entraîné incrémentalement, et divers grands modèles linguistiques pré-entraînés, tels qu'InternLM 2.5 et Qwen 2.5, utilisant un projecteur MLP initialisé aléatoirement. Il prend en charge les données multi-images et vidéo, et excelle dans les tâches multimodales, capable de comprendre et de générer du contenu textuel lié aux images.