(資料圖片)

阿里云今日發(fā)布了大規(guī)模視覺(jué)語(yǔ)言模型Qwen-VL，并已在ModeScope平臺(tái)上開(kāi)源。此前，阿里云已經(jīng)開(kāi)源了通用模型Qwen-7B和對(duì)話模型Qwen-7B-Chat。 據(jù)介紹，Qwen-VL是一款支持中英文等多種語(yǔ)言的視覺(jué)語(yǔ)言模型。與以往的視覺(jué)語(yǔ)言模型相比，Qwen-VL不僅具備圖文識(shí)別、描述、問(wèn)答和對(duì)話的基本能力，還新增了視覺(jué)定位和圖像中文字理解等功能。 Qwen-VL以Qwen-7B為基礎(chǔ)，引入視覺(jué)編碼器，使模型支持視覺(jué)信號(hào)輸入。該模型支持的圖像輸入分辨率為448，而此前開(kāi)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(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(jué)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，Qwen-VL的表現(xiàn)遠(yuǎn)超同等規(guī)模的通用模型。 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(jué)AI助手Qwen-VL-Chat，以便開(kāi)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)還表示，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”。在對(duì)Qwen-VL-Chat及其他模型進(jìn)行對(duì)比測(cè)試后，Qwen-VL-Chat在中英文的對(duì)齊評(píng)測(cè)中均取得了開(kāi)源LVLM最好的結(jié)果。

關(guān)鍵詞：