視覺語言模型來了：支持中英文等多種語言

(資料圖片)

阿里云今日發布了大規模視覺語言模型Qwen-VL，并已在ModeScope平臺上開源。此前，阿里云已經開源了通用模型Qwen-7B和對話模型Qwen-7B-Chat。 據介紹，Qwen-VL是一款支持中英文等多種語言的視覺語言模型。與以往的視覺語言模型相比，Qwen-VL不僅具備圖文識別、描述、問答和對話的基本能力，還新增了視覺定位和圖像中文字理解等功能。 Qwen-VL以Qwen-7B為基礎，引入視覺編碼器，使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，而此前開源的LVLM模型通常僅支持224分辨率。 官方表示，Qwen-VL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，Qwen-VL的表現遠超同等規模的通用模型。 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，以便開發者快速搭建具備多模態能力的對話應用。 通義千問團隊還表示，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”。在對Qwen-VL-Chat及其他模型進行對比測試后，Qwen-VL-Chat在中英文的對齊評測中均取得了開源LVLM最好的結果。

關鍵詞：