InternVL2.5-MPO é uma série de modelos de linguagem grandes multimodais avançados, construídos com base no InternVL2.5 e otimização de preferência mista (MPO). Esta série de modelos apresenta desempenho excepcional em tarefas multimodais, podendo processar dados de imagem, texto e vídeo, e gerar respostas de texto de alta qualidade. O modelo adota o paradigma 'ViT-MLP-LLM', otimizando a capacidade de processamento visual por meio da operação de 'unshuffle' de pixels e estratégia de resolução dinâmica. Além disso, o modelo introduziu o suporte a dados de múltiplas imagens e vídeos, expandindo ainda mais seus cenários de aplicação. O InternVL2.5-MPO superou vários modelos de referência na avaliação de capacidade multi modal, demonstrando sua posição de liderança no domínio multimodal.