阿里云開源通義千問(wèn)多模態(tài)視覺模型Qwen-VL

8月25日消息，阿里云 25 日推出了大規(guī)模視覺語(yǔ)言模型 Qwen-VL，目前已經(jīng)在 ModeScope 開源，阿里云此前已經(jīng)開源通義千問(wèn) 70 億參數(shù)通用模型 Qwen-7B 和對(duì)話模型 Qwen-7B-Chat。

據(jù)悉，Qwen-VL 是一款支持中英文等多種語(yǔ)言的視覺語(yǔ)言（Vision Language，VL）模型，相較于此前的 VL 模型，其除了具備基本的圖文識(shí)別、描述、問(wèn)答及對(duì)話能力之外，還新增了視覺定位、圖像中文字理解等能力。

Qwen-VL 以 Qwen-7B 為基座語(yǔ)言模型，在模型架構(gòu)上引入視覺編碼器，使得模型支持視覺信號(hào)輸入，該模型支持的圖像輸入分辨率為 448，此前開源的 LVLM 模型通常僅支持 224 分辨率。

官方表示，該模型可用于知識(shí)問(wèn)答、圖像標(biāo)題生成、圖像問(wèn)答、文檔問(wèn)答、細(xì)粒度視覺定位等場(chǎng)景，在主流的多模態(tài)任務(wù)評(píng)測(cè)和多模態(tài)聊天能力評(píng)測(cè)中，取得了遠(yuǎn)超同等規(guī)模通用模型的表現(xiàn)。

此外，在 Qwen-VL 的基礎(chǔ)上，通義千問(wèn)團(tuán)隊(duì)使用對(duì)齊機(jī)制，打造了基于 LLM 的視覺 AI 助手 Qwen-VL-Chat，可讓開發(fā)者快速搭建具備多模態(tài)能力的對(duì)話應(yīng)用。

通義千問(wèn)團(tuán)隊(duì)同時(shí)表示，為了測(cè)試模型的多模態(tài)對(duì)話能力，他們構(gòu)建了一套基于 GPT-4 打分機(jī)制的測(cè)試集 “試金石”，對(duì) Qwen-VL-Chat 及其他模型進(jìn)行對(duì)比測(cè)試，Qwen-VL-Chat 在中英文的對(duì)齊評(píng)測(cè)中均取得了開源 LVLM 最好結(jié)果。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。