InternViT-6B-448px-V2_5 एक दृश्य मॉडल है जो InternViT-6B-448px-V1-5 पर आधारित है। ViT वृद्धिशील अधिगम और NTP हानि (चरण 1.5) के उपयोग से, इसने दृश्य एन्कोडर की दृश्य विशेषताओं को निकालने की क्षमता में सुधार किया है, खासकर बड़े पैमाने पर नेटवर्क डेटासेट में जिन क्षेत्रों का कम प्रतिनिधित्व है, जैसे बहुभाषी OCR डेटा और गणितीय चार्ट। यह मॉडल InternVL 2.5 श्रृंखला का हिस्सा है, जो पिछले संस्करण के समान "ViT-MLP-LLM" मॉडल आर्किटेक्चर को बनाए रखता है और इसमें नए वृद्धिशील पूर्व-प्रशिक्षित InternViT और विभिन्न पूर्व-प्रशिक्षित LLMs को एकीकृत किया गया है, जिसमें InternLM 2.5 और Qwen 2.5 शामिल हैं, जो यादृच्छिक रूप से इनिशियलाइज़्ड MLP प्रोजेक्टर का उपयोग करते हैं।