(資料圖片)

IT之家 8 月 25 日消息，阿里云今日推出了大規(guī)模視覺語言模型 Qwen-VL，目前已經(jīng)在 ModeScope 開源，IT之家早前曾報道，阿里云此前已經(jīng)開源通義千問 70 億參數(shù)通用模型 Qwen-7B 和對話模型 Qwen-7B-Chat。

據(jù)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(gòu)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(biāo)題生成、圖像問答、文檔問答、細(xì)粒度視覺定位等場景，在主流的多模態(tài)任務(wù)評測和多模態(tài)聊天能力評測中，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，通義千問團(tuán)隊使用對齊機(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)能力的對話應(yīng)用。

通義千問團(tuán)隊同時表示，為了測試模型的多模態(tài)對話能力，他們構(gòu)建了一套基于 GPT-4 打分機(jī)制的測試集 “試金石”， 對 Qwen-VL-Chat 及其他模型進(jìn)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(jié)果 。

關(guān)鍵詞：