InternViT-300M-448px-V2_5 InternViT-300M-448px का एक उन्नत संस्करण है, जो ViT वृद्धिशील अधिगम और NTP हानि (चरण 1.5) को अपनाकर दृश्य एन्कोडर की दृश्य विशेषताएँ निकालने की क्षमता को बढ़ाता है, खासकर बड़े पैमाने पर नेटवर्क डेटासेट में अपर्याप्त प्रतिनिधित्व वाले क्षेत्रों में, जैसे बहुभाषी OCR डेटा और गणितीय चार्ट। यह मॉडल InternViT 2.5 श्रृंखला का एक भाग है, जो पूर्ववर्ती के समान 'ViT-MLP-LLM' मॉडल आर्किटेक्चर को बनाए रखता है, और नए वृद्धिशील पूर्व-प्रशिक्षित InternViT को विभिन्न पूर्व-प्रशिक्षित LLM जैसे InternLM 2.5 और Qwen 2.5 के साथ एकीकृत करता है, जो यादृच्छिक रूप से इनिशियलाइज़्ड MLP प्रोजेक्टर का उपयोग करता है।