InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing

一句话定位

上海 AI Lab / OpenGVLab 的 InternVL-U，统一多模态模型，把理解、推理、生成、编辑四类能力整合到单一框架，目标是”民主化”统一多模态模型。

摘要

InternVL-U（arXiv 2026-03，OpenGVLab / InternVL 团队）是统一多模态模型，把视觉-语言的理解（understanding）、推理（reasoning）、生成（generation）、编辑（editing）整合到一个框架，目标是降低门槛、“民主化”统一多模态模型。它是 InternVL 系列在 2026 上半年的重要演进，承接 InternVL 在大视觉语言模型上的积累，向”理解+生成”一体化方向扩展。

关键技术细节

• 定位：统一多模态模型，单框架覆盖理解 / 推理 / 生成 / 编辑四大能力。
• 目标：democratizing（民主化）——降低统一多模态模型的获取与使用门槛。
• 系列：InternVL 系列演进（前序含 InternVL3、Mono-InternVL 等）。
• 机构：上海 AI Lab / OpenGVLab，开源（GitHub OpenGVLab/InternVL）。
• 备注：架构与训练数据细节以本地 PDF 原文为准（已落盘）。

原始链接

• url: https://arxiv.org/abs/2603.09877
• pdf_url: https://arxiv.org/pdf/2603.09877
• github_url: https://github.com/OpenGVLab/InternVL

一手源存档（sources/）

• internvl-u.pdf （PDF 不入 git，走 HF bucket）