企业官网建设流程全解析

InternVL2_5-78B 是 OpenGVLab 推出的开源多模态大模型（MLLM），由 InternViT-6B 视觉编码器与 Qwen2.5-72B 语言模型融合而成。它的杀手锏是动态高分辨率：一张高清图可以被自动切成多块 448×448 的瓦片，让模型真正"看清"图片里的小字——只需一行dynamic_preprocess代码，文档 OCR、图表解析、密集文字识别都能轻松搞定。

为什么普通模型会把图里的小字"糊掉"？🤔

大多数视觉模型为了控制计算量，会把输入图像固定缩放到 224×224 或 448×448。一张包含密密麻麻文字的文档照片，经过这种粗暴压缩后，小字瞬间糊成一片，模型自然"看不见"。

InternVL2_5-78B 的思路完全不同——它采用**动态高分辨率（Dynamic High-Resolution）**策略：

• ❌ 不做固定缩放，不强行压缩整张图
• ✅ 根据图片宽高比，把图像分割成若干 448×448 像素的瓦片（tiles）
• ✅ 每张瓦片保留原始细节，小字、公式、表格线都能清晰呈现

这套策略早在 InternVL 1.5 中提出，并在 2.0 / 2.5 中扩展到多图和视频场景。

上图就是仓库自带的测试图片 examples/image1.jpg（1000×747，约 4:3 横版），它正好用来演示瓦片切分的效果。

dynamic_preprocess 工作原理：5 步拆图解码 🔍

打开 README.md 中的dynamic_preprocess源码，整个流程可以概括为 5 步：

第 1 步：测量宽高比读取原图的orig_width / orig_height，得到 aspect_ratio。

第 2 步：枚举候选网格在min_num到max_num（默认最多 12）的范围内，枚举所有可能的i × j网格布局，例如(1,1)、(2,1)、(3,2)、(4,3)……

第 3 步：挑选最贴合的网格通过find_closest_aspect_ratio函数，找到与原图宽高比最接近的那个网格——这样缩放时图片几乎不变形、不裁边。

第 4 步：缩放并切块把整图缩放到448×i × 448×j，再均匀切成i×j块 448×448 的瓦片。 以 1000×747 的示例图为例：最接近的网格是4×3，切出12 块瓦片。

第 5 步：追加缩略图（thumbnail）若开启use_thumbnail=True，会额外添加一张 448×448 的全局缩略图。局部瓦片负责"看清细节"，缩略图负责"把握全局"——二者结合，模型既不会漏掉版面结构，也不会错过角落的小字。

一行代码启用动态高分辨率 🚀

对新手来说，完全不用手写切图逻辑。仓库已封装好 load_image 函数，核心调用只有一行：

# 一行搞定：动态切图 + 缩略图 images = dynamic_preprocess(image, image_size=448, use_thumbnail=True, max_num=12) pixel_values = [transform(image) for image in images]

再配合build_transform完成归一化，就能直接喂给模型：

pixel_values = load_image('./examples/image1.jpg', max_num=12) response = model.chat(tokenizer, pixel_values, '<image>\n请识别图中的文字')

完整的推理示例（含多图、视频、批处理）都在 README.md 中，照着改路径即可运行。

关键参数速查表 ⚙️

这些默认值也写在 config.json 中：max_dynamic_patch: 12、min_dynamic_patch: 1、force_image_size: 448、use_thumbnail: true。

幕后揭秘：切好的瓦片如何进入大模型 🧠

InternVL2_5-78B 遵循"ViT-MLP-LLM"三段式架构，瓦片的旅程是这样的：

1. ViT 视觉编码器：每块 448×448 瓦片被切成 14×14 的小 patch，得到 32×32 = 1024 个视觉特征；
2. Pixel Shuffle 下采样：在 modeling_internvl_chat.py 中，pixel_shuffle把相邻 2×2 的特征合并，token 数直接减少到 1/4——每块瓦片只需256 个视觉 token；
3. MLP 投影 + LLM：投影后的特征与文本 token 拼接，送入 Qwen2.5-72B 统一理解与生成。

12 块瓦片 + 1 张缩略图 = 13 × 256 ≈3300 个视觉 token，这就是动态高分辨率"看得清"又"控得住成本"的秘密。处理多图或视频时，通过num_patches_list参数告诉模型每张图各占几块瓦片即可（见 README.md 的视频示例）。

OCR 小字识别实战技巧 💡

• 密集文档调大max_num：发票、论文、代码截图建议max_num=16~24，瓦片越多细节越足；
• 注意显存预算：瓦片数线性增加视觉 token 数，长图请配合 Flash Attention 与多卡部署（README 提供了split_model方案）；
• 保留缩略图：识别表格、图表时，缩略图帮助模型理解行列结构，减少串行错行；
• 短视频逐帧切片：每帧同样走dynamic_preprocess（默认 448×448），示例视频见 examples/red-panda.mp4；
• 多语言 OCR：InternViT 2.5 的增量预训练专门强化了多语言 OCR 与数学图表能力，中英文混排文档也能应对。

写在最后

一句话总结 InternVL2_5-78B 的动态高分辨率：测宽高比 → 选最贴合网格 → 切成 448×448 瓦片 → 加缩略图，一行dynamic_preprocess就全部搞定。想动手体验，克隆仓库后照着 README.md 的 Quick Start 加载模型，几分钟就能看到小字识别的效果。