书生·万象 3.5 开源：9 种尺寸多模态，自称感知超 GPT-5，能自部署

上海人工智能实验室在 8 月底开源了 InternVL3.5（书生·万象 3.5），一口气放出 10 亿到 2410 亿参数的 9 种尺寸，稠密和 MoE 都有。旗舰 241B-A28B 在 MMMU 拿到 77.7（开源最高分），多模态通用感知 MMStar / OCRBench 宣称超过 GPT-5。

几个和一人公司相关的点：

• 全谱系意味着你能挑「刚好够用」的那档。 端侧小模型到旗舰全有。配合动态视觉分辨率路由（ViR）和解耦部署框架（DvD），38B 在 896 分辨率下响应延迟从 369ms 压到 91ms，提升约 4 倍——中档卡也能跑出能用的体验。
• 不只是「看懂图」。 GUI 智能体（ScreenSpot 定位 92.9 分，跨 Windows / Ubuntu 自动化）、具身空间推理（VSI-Bench 69.5）、矢量图形理解生成（SGP-Bench 70.7）都明显提升。换句话说，它能做界面操作、读工程图、控制机器人路径规划这一类「从理解到行动」的活。
• 能自部署。 官方给了 transformers 调用示例，8B 单张 A100 可跑，38B 需 2 张，235B 需 8 张。ms-swift 已支持训练微调。

要泼的冷水：

• 241B 那条对一人公司基本是看个热闹，现实里 8B / 38B 才落得地，能力上限要自己压测。
• 「超越 GPT-5」是实验室基准口径，落到你的真实文档、真实界面、真实业务图，差距未必这么大，务必拿 20 条自己的样本先试。
• 多模态模型吃显存和上下文，部署前的量化、切片、批量策略都得自己调，不是下个权重就完事。

我的建议：如果你做的内容/产品涉及图片理解、文档解析、界面自动化，又不想把数据送进闭源 API，InternVL3.5 是现在国产开源里最值得本地起一个试的。先从 8B 起步，验证能解决哪一段，再决定要不要上更大尺寸。

• 报道来源：上海AI实验室发布多模态大模型书生·万象 InternVL3.5（模型权重见 Hugging Face / ModelScope 官方仓库）