InternVideo

用海量视频数据预训练，一个模型搞定分类、问答和字幕生成。

InternVideo 是一个面向多模态理解的开源视频基础模型项目，由上海人工智能实验室发布，相关论文发表于 ECCV2024。它旨在解决视频理解中模型泛化能力不足和高质量数据稀缺的问题，通过自监督学习和多模态对齐，构建统一的视频表征。核心能力包括视频分类、时序动作检测、视频问答、视频字幕生成等。项目提供了预训练模型和微调代码，支持多种视频理解任务，并配套发布了大规模视频文本数据集，以推动视频多模态研究的发展。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2392

维护状态维护中

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队OpenGVLab

所属国家

官网地址

GitHubhttps://github.com/OpenGVLab/InternVideo

定价模式free

价格说明开源模型，Apache-2.0许可，可免费使用和部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型action-recognition,benchmark,contrastive-learning,foundation-models,instruction-tuning,masked-autoencoder,multimodal,open-set-recognition,self-supervised,spatio-temporal-action-localization,temporal-action-localization,video-clip,video-data,video-dataset,video-question-answering,video-retrieval,video-understanding,vision-transformer,zero-shot-classification,zero-shot-retrieval

GitHub 星标★ 2392

30天Star增速

HF 下载量

上线时间2022-11-23 00:00:00

最近更新2026-09-21 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数8

使用教程

难度：进阶约 10 分钟部署方式：模型权重 6 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

Python 环境（项目开发语言为 Python）
Git 命令行工具
可访问 GitHub 与 Hugging Face 的网络环境
足够的磁盘空间（用于存放代码与预训练权重）

安装与启动步骤

1克隆项目仓库

把 InternVideo 主仓库完整下载到本地，仓库内含各版本子目录与相关代码。
```
git clone https://github.com/OpenGVLab/InternVideo.git
```
2进入项目目录

切换到刚克隆下来的仓库根目录，后续所有操作都在此目录下进行。
```
cd InternVideo
```
3查看仓库结构

仓库按 InternVideo1/2/2.5/3、InternVideo-Next、Data/InternVid 等分目录组织，先列出目录确认。
```
ls
```
4选择目标子项目

按需求进入对应子目录，例如做世界理解选 InternVideo-Next，做长上下文推理选 InternVideo3。
```
ls InternVideo2 InternVideo3 InternVideo-Next
```
5进入子目录看说明

主 README 只做索引，各子项目的环境安装、训练与推理命令写在其子目录文档中，务必先阅读。
6下载预训练权重

从官方 Hugging Face 合集中的对应页面下载模型权重，如 InternVideo-Next 权重集合、InternVideo3-8B-Instruct。

如何确认成功

在主 README 中找到并成功打开目标子项目（如 InternVideo2、InternVideo3）的子目录文档，且权重下载页面可正常访问。

常见问题

Q：为什么主 README 里没有安装命令？

A：该仓库是 InternVideo 系列多个子项目的集合入口，主 README 主要提供目录索引与更新日志，具体安装与使用说明放在各子目录自己的文档中。

Q：应该选择哪个版本使用？

A：按任务选：通用视频基础模型选 InternVideo/InternVideo2，长且丰富上下文的多模态理解选 InternVideo2.5/3，真实世界理解选 InternVideo-Next。

Q：模型权重去哪里下载？

A：README 中给出了官方 Hugging Face 链接，例如 InternVideo-Next 的模型权重集合，以及 InternVideo3 的 8B instruct 模型页面。

Q：视频文本数据集在哪里获取？

A：大规模视频文本数据集 InternVid 位于仓库的 Data/InternVid 目录；InternVideo3 的长视频 SFT 数据集在 Hugging Face 上单独发布。

注意事项

README 未提供统一的安装命令、依赖版本、端口或路径参数，本教程仅包含可确认的仓库获取与索引浏览步骤，实际部署请以各子目录文档为准。
部分模型和数据为较新发布，Hugging Face 链接可能需要额外网络条件才能访问。
使用前请分别查阅各子项目的许可证与使用条款，确认可否用于你的场景。

核心亮点

在视频分类、问答等多项基准上达到领先水平，性能有实证支撑。
提供了完整的预训练模型和微调代码，上手门槛低，便于二次开发。
附带大规模视频文本数据集，为研究社区提供了宝贵的数据资源。

不足之处

模型参数量较大，推理和训练对硬件资源要求高。
文档和社区支持相对薄弱，新手可能遇到配置问题。

适用场景

视频内容审核与分类
视频问答与智能助手
视频字幕生成与检索

替代项目

VideoMAE、TimeSformer、UniVL

项目介绍

InternVideo 是视频领域的开源项目，由 OpenGVLab 开发，2022 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（2,392）位列前 30%，在视频分类的 473 个项目里位列前 11%。

近 42 天，它的 GitHub 星标从 2,354 增加到 2,392，净增 38。

项目仍在小幅维护中，最近一次代码更新于 2026-09-21。Apache-2.0许可，可免费使用和部署。

它主要面向的使用场景是：视频内容审核与分类。同类可对比的替代方案包括 VideoMAE、TimeSformer、UniVL。

上一篇：ai-video-summarizer

下一篇：AnimateAnyMesh