【資料圖】
阿里云推出了大規模視覺語言模型Qwen-VL，目前已經在ModeScope開源，IT之家早前曾報道，阿里云此前已經開源通義千問70 億參數通用模型Qwen-7B和對話模型Qwen-7B-Chat。
據悉，Qwen-VL是一款支持中英文等多種語言的視覺語言（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別、描述、問答及對話能力之外，還新增了視覺定位、圖像中文字理解等能力。
Qwen-VL以Qwen-7B為基座語言模型，在模型架構上引入視覺編碼器，使得模型支持視覺信號輸入，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，該模型可用于知識問答、圖像標題生成、圖像問答、文檔問答、細粒度視覺定位等場景，在主流的多模態任務評測和多模態聊天能力評測中，取得了遠超同等規模通用模型的表現。
此外，在Qwen-VL的基礎上，通義千問團隊使用對齊機制，打造了基于LLM的視覺AI助手Qwen-VL-Chat，可讓開發者快速搭建具備多模態能力的對話應用。
通義千問團隊同時表示，為了測試模型的多模態對話能力，他們構建了一套基于GPT-4打分機制的測試集 “試金石”，對Qwen-VL-Chat及其他模型進行對比測試，Qwen-VL-Chat在中英文的對齊評測中均取得了開源LVLM最好結果。
責任編輯：李楠
分享到：版權聲明：凡注明來源“流媒體網”的文章，版權均屬流媒體網所有，轉載需注明出處。非本站出處的文章為轉載，觀點供業內參考，不代表本站觀點。文中圖片均來源于網絡收集整理，僅供學習交流，版權歸原作者所有。如涉及侵權，請及時聯系我們刪除!關鍵詞：
責任編輯：QL0009
