InternVL3.5-4B为何推理这么强？Cascade RL训练管线（MPO+GSPO）原理全解

InternVL3.5-4B为何推理这么强Cascade RL训练管线MPOGSPO原理全解【免费下载链接】InternVL3_5-4B项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-4B如果你正在关注 InternVL3.5-4B 这个小体积多模态大模型它的强推理能力大概率来自一个核心设计Cascade RL级联强化学习训练管线——先用离线强化学习算法MPO打地基再用在线强化学习算法GSPO精调输出分布。本文用通俗的语言拆解这套MPO GSPO两段式管线的原理、每一步解决的问题以及它对最终推理效果的实际贡献帮助新手快速看懂 InternVL3.5-4B 的技术底牌。先认识 InternVL3.5-4B一个小身材、大脑力的模型 InternVL3.5-4B 是 InternVL3.5 开源多模态模型家族的轻量成员组成说明视觉编码器InternViT-300M约 0.3B 参数语言模型基于 Qwen3-4B约 4.4B 参数总参数约 4.7B单卡即可部署架构范式ViT–MLP–LLM视觉塔 投影层 大语言模型训练管线CPT → SFT → Cascade RLMPO GSPO它支持思考模式Thinking mode可以在回答前进行逐步推理因此在小模型里展现出超越体量的数学与多模态推理表现。从仓库文件就能看出它的血统config.json 中声明了InternVLChatModel架构llm_config指向 Qwen3-4B而模型卡信息显示这个最终版本是在InternVL3_5-4B-MPO已完成 MPO 阶段的检查点基础上继续训练得到的——这正是 Cascade RL 先离线、后在线的直接证据。训练四步走CPT、SFT 与 Cascade RL 全景 ️官方管线分为三大阶段、四个层次CPT多模态持续预训练用大规模文本 图文语料联合训练学看和说的基本功SFT监督微调在 32K 上下文窗口下注入高质量指令数据其中包括思考模式长推理数据让模型学会写长链条推理过程Cascade RL 第一级MPO离线强化学习用离线偏好数据高效热身把模型推到不错的水平同时保证后续在线采样质量Cascade RL 第二级GSPO在线强化学习让模型自己生成候选答案并打分进一步精调输出分布。官方还开源了各阶段检查点如InternVL3_5-4B-Pretrained、-Instruct、-MPO方便研究各阶段各自带来的提升。为什么要级联单阶段强化的两个痛点 直接做在线强化学习比如让模型自己刷题、自己采样有一个老问题模型初始能力不够强时自己生成的 rollout候选回答质量差奖励信号噪声大训练容易不稳甚至跑偏。纯离线强化学习则相反数据是固定的模型能力会被数据上限锁死天花板偏低。Cascade RL 的思路就是取长补短第一段用离线 RLMPO低成本热身让模型先达到一个不错的水平第二段用在线 RLGSPO基于模型自己生成的高质量 rollout 做精调突破数据天花板。官方实验表明这种级联策略比单独使用离线或在线 RL 提升更显著而且只用了一小部分 GPU 时间成本。第一级 MPO三重损失组合拳离线也能稳 MPO 全称 Mixed Preference Optimization混合偏好优化。它的训练目标是一个加权组合L_MPO w_p × L_p偏好损失 w_q × L_q质量损失 w_g × L_g生成损失三个分量各司其职偏好损失 L_pDPO 损失学习更喜欢哪个答案拉开好答案与差答案之间的差距质量损失 L_qBCO 损失直接对标高质量回答避免模型只学会分高低却写不出绝对好的内容生成损失 L_g语言模型损失保底语言能力防止偏好优化把模型的通用生成能力带崩。三管齐下让模型在不需要在线采样的离线设置下也能稳定收敛——这正是 Cascade RL 第一级的意义用可预测、低成本的离线训练为第二级铺出一条高质量 rollout 的起跑线。第二级 GSPO几何平均让在线强化不翻车 在线阶段 InternVL3.5 采用了GSPOGroup Sequence Policy Optimization并移除了参考模型约束官方发现对稠密模型和 MoE 模型都更有效。它的核心思路与 GRPO 类似对同一个问题采样 G 个回答用组内归一化的奖励作为优势值相对好坏再对策略做裁剪更新。GSPO 的关键改进在重要性采样比率传统做法如 PPO/GRPO 的 token 级比率逐 token 计算新旧策略概率比长序列下误差会被不断放大训练不稳定GSPO 的做法把比率定义为逐 token 比率的几何平均在整条序列层面衡量新旧策略的差异。一句话理解GSPO 不再纠结单个 token 的概率波动而是从整段回答的视角做策略更新长思维链长 CoT场景下更稳、更不容易训崩——这对多模态长推理尤其重要。效果如何Cascade RL 带来的推理提升 官方评测给出的整体结论非常直观相比前代 InternVL3InternVL3.5 在综合推理能力上最高提升16.0%推理速度提升4.05 倍MMMU、MathVista 等推理基准提升显著消融实验单独验证了 Cascade RL 的贡献级联策略MPO → GSPO优于只用 MPO 或只用在线 RL 的单一方案。对普通用户来说这些意味着InternVL3.5-4B 在数学题、图表推理、多步逻辑题上想得更对、更稳而且小体积下依旧保持高响应速度。推理端如何释放强推理Thinking 模式与 Best-of-N 训练只是内功使用时还有两个外功开关Thinking 模式深度思考把系统提示词设置为官方 R1 风格的思考协议让模型先用think标签内完成逐步分析、再给出最终答案。官方建议此时设置do_sampleTrue、temperature0.6以减少重复Best-of-N并行思考让模型对同一问题生成多个推理候选再用过程奖励模型VisualPRM挑选最优答案拓宽推理的广度。官方特别提到论文主结果均未使用测试时扩展TTS测得也就是说上述技巧还能再往上抬一截。上手前建议查看的关键文件 文件作用README.md训练管线全解、模型家族表、推理与部署示例本文原理的主要出处config.json模型架构配置Qwen3-4B 语言塔 InternViT 视觉塔modeling_internvl_chat.pyInternVLChatModel主体实现含chat推理接口modeling_intern_vit.py视觉编码器实现conversation.py对话模板管理preprocessor_config.json图像预处理参数448 动态分辨率切片等模型权重文件为两个 safetensors 分片model-00001-of-00002.safetensors、model-00002-of-00002.safetensors配合model.safetensors.index.json索引加载。写在最后小模型也能有大推理 InternVL3.5-4B 的故事本质上是训练策略的胜利MPO离线低成本、稳收敛快速把模型推到会推理的水平GSPO在线序列级几何平均比率 组内归一化优势让模型用高质量自采样不断精调突破离线数据天花板级联二者比单阶段更稳、更强还更省算力。这也是 Cascade RL 值得被记住的原因——它不是换更大的模型而是用更聪明的训练顺序把一个 4.7B 的小模型推理能力拉到了新的高度。【免费下载链接】InternVL3_5-4B项目地址: https://ai.gitcode.com/hf_mirrors/OpenGVLab/InternVL3_5-4B创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考