InternViT-300M-448px-V2_5は、InternViT-300M-448pxをベースとした強化版です。ViT増分学習とNTP損失（Stage 1.5）を採用することで、特に大規模なウェブデータセットにおいて表現が不足している領域（多言語OCRデータや数学グラフなど）における視覚エンコーダによる視覚特徴抽出能力を向上させています。このモデルはInternViT 2.5シリーズの一部であり、前世代と同様の「ViT-MLP-LLM」モデルアーキテクチャを維持しつつ、新たに増分学習されたInternViTと様々な事前学習済みLLM（InternLM 2.5やQwen 2.5など）を統合し、ランダム初期化されたMLPプロジェクタを使用しています。