InternVL-U 是上海人工智能实验室 InternVL-U 团队开发的官方开源项目，是一个 4B 参数统一多模态模型（UMM），目标是把多模态理解、推理、图像生成和图像编辑整合进同一个框架，以高效且实用的模型规模推动全能多模态智能的普及。
用途 该模型面向需要统一处理多种多模态任务的场景：既可进行多模态理解与推理，也可执行图像生成和图像编辑。官方表示其希望成为强基线，加速面向 AGI 的全能 UMM 研究进展。
主要能力
- 统一而模块化的设计：基于统一上下文建模，具备模态特定的模块化结构以及解耦的视觉表示。
- 强骨干 + 强生成器：结合先进的多模态大语言模型（MLLM）与基于 MMDiT 的专用视觉生成头。
- 高质量数据合成：针对高语义密度任务（例如文本渲染与编辑、科学推理）构建完整数据流程，使用思维链（CoT）把抽象意图与精确视觉执行对齐。
- 性能与效率：在有限参数规模下，官方称其在生成和编辑上优于统一的开源 UMM 基线，同时保持较强的多模态理解与推理能力。
- 多图理解推理：2026/03/19 起支持多图理解推理，可使用 Quick Start 中的示例。
使用方式 官方仓库提供依赖安装说明，使用前需先安装全部所需依赖。模型检查点发布在 Hugging Face。仓库提供演示，用于展示 InternVL-U 在多模态理解、图像生成和图像编辑上的统一流程，并可选输出推理引导（文本+图像）结果。 关于生成模式，官方提示：进行图像生成或编辑时，若 generation_mode 设为 "image"，则不会激活 CoT 文本推理模式；官方推荐在大多数场景尤其简单场景和指令下使用该模式，因其已能产出良好结果。若用户输入涉及更具挑战性的推理，建议将 generation_mode 设为 "text_image" 以启用更复杂的生成。
发布记录 2026/03/06：发布 InternVL-U 技术报告（arXiv）；发布推理代码和模型检查点（Hugging Face）；发布 GenEditEvalKit——面向多模态图像生成和编辑模型的统一评测工具包，帮助开发者高效管理 UMM 以及图像生成与编辑模型的大量基准推理与评测；发布 TextEdit Benchmark——用于评估图像生成模型文本编辑能力的高质量多场景基准。 2026/03/19：支持多图理解推理。
适用场景 适用于多模态理解与推理、图像生成、图像编辑，尤其是涉及文本渲染与编辑、科学推理等高语义密度任务，以及需要统一框架覆盖理解、推理、生成、编辑的研究与开发工作。
限制与缺失信息 官方资料未提供具体的定价、收费模式、许可协议细节、支持平台、硬件要求或性能数值等事实，这些内容暂未提供。使用前请以仓库与 Hugging Face 页面上的实际说明为准。
