(相关资料图)

阿里云今日发布了大规模视觉语言模型Qwen-VL，并已在ModeScope平台上开源。此前，阿里云已经开源了通用模型Qwen-7B和对话模型Qwen-7B-Chat。 据介绍，Qwen-VL是一款支持中英文等多种语言的视觉语言模型。与以往的视觉语言模型相比，Qwen-VL不仅具备图文识别、描述、问答和对话的基本能力，还新增了视觉定位和图像中文字理解等功能。 Qwen-VL以Qwen-7B为基础，引入视觉编码器，使模型支持视觉信号输入。该模型支持的图像输入分辨率为448，而此前开源的LVLM模型通常仅支持224分辨率。 官方表示，Qwen-VL可用于知识问答、图像标题生成、图像问答、文档问答、细粒度视觉定位等场景。在主流的多模态任务评测和多模态聊天能力评测中，Qwen-VL的表现远超同等规模的通用模型。 在Qwen-VL的基础上，通义千问团队使用对齐机制，打造了基于LLM的视觉AI助手Qwen-VL-Chat，以便开发者快速搭建具备多模态能力的对话应用。 通义千问团队还表示，为了测试模型的多模态对话能力，他们构建了一套基于GPT-4打分机制的测试集“试金石”。在对Qwen-VL-Chat及其他模型进行对比测试后，Qwen-VL-Chat在中英文的对齐评测中均取得了开源LVLM最好的结果。