通義千問開源第二波！8月25日消息，阿里云推出大規(guī)模視覺語言模型Qwen-VL，一步到位、直接開源。Qwen-VL以通義千問70億參數(shù)模型Qwen-7B為基座語言模型研發(fā)，支持圖文輸入，具備多模態(tài)信息理解能力。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取得了遠(yuǎn)超同等規(guī)模通用模型的表現(xiàn)。
Qwen-VL是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，Qwen-VL除了具備基本的圖文識(shí)別、描述、問答及對(duì)話能力之外，還新增了視覺定位、圖像中文字理解等能力。
多模態(tài)是通用人工智能的重要技術(shù)演進(jìn)方向之一。業(yè)界普遍認(rèn)為，從單一感官的、僅支持文本輸入的語言模型，到“五官全開”的，支持文本、圖像、音頻等多種信息輸入的多模態(tài)模型，蘊(yùn)含著大模型智能躍升的巨大可能。多模態(tài)能夠提升大模型對(duì)世界的理解程度，充分拓展大模型的使用場(chǎng)景。
視覺是人類的第一感官能力，也是研究者首先想賦予大模型的多模態(tài)能力。繼此前推出M6、OFA系列多模態(tài)模型之后，阿里云通義千問團(tuán)隊(duì)又開源了基于Qwen-7B的大規(guī)模視覺語言模型（Large Vision Language Model, LVLM）Qwen-VL。Qwen-VL及其視覺AI助手Qwen-VL-Chat均已上線ModelScope魔搭社區(qū)，開源、免費(fèi)、可商用。
用戶可從魔搭社區(qū)直接下載模型，也可通過阿里云靈積平臺(tái)訪問調(diào)用Qwen-VL和Qwen-VL-Chat，阿里云為用戶提供包括模型訓(xùn)練、推理、部署、精調(diào)等在內(nèi)的全方位服務(wù)。
Qwen-VL可用于知識(shí)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(chǎng)景。
比如，一位不懂中文的外國游客到醫(yī)院看病，不知怎么去往對(duì)應(yīng)科室，他拍下樓層導(dǎo)覽圖問Qwen-VL“骨科在哪層”“耳鼻喉科去哪層”，Qwen-VL會(huì)根據(jù)圖片信息給出文字回復(fù)，這是圖像問答能力；再比如，輸入一張上海外灘的照片，讓Qwen-VL找出東方明珠，Qwen-VL能用檢測(cè)框準(zhǔn)確圈出對(duì)應(yīng)建筑，這是視覺定位能力。
Qwen-VL是業(yè)界首個(gè)支持中文開放域定位的通用模型，開放域視覺定位能力決定了大模型“視力”的精準(zhǔn)度，也即，能否在畫面中精準(zhǔn)地找出想找的事物，這對(duì)于VL模型在機(jī)器人操控等真實(shí)應(yīng)用場(chǎng)景的落地至關(guān)重要。
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(hào)輸入，并通過設(shè)計(jì)訓(xùn)練過程，讓模型具備對(duì)視覺信號(hào)的細(xì)粒度感知和理解能力。Qwen-VL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。在Qwen-VL 的基礎(chǔ)上，通義千問團(tuán)隊(duì)使用對(duì)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(duì)話應(yīng)用。
在四大類多模態(tài)任務(wù)（Zero-shot Caption/VQA/DocVQA/Grounding）的標(biāo)準(zhǔn)英文測(cè)評(píng)中，Qwen-VL取得了同等尺寸開源LVLM的最好效果。為了測(cè)試模型的多模態(tài)對(duì)話能力，通義千問團(tuán)隊(duì)構(gòu)建了一套基于GPT-4打分機(jī)制的測(cè)試集“試金石”，對(duì)Qwen-VL-Chat及其他模型進(jìn)行對(duì)比測(cè)試，Qwen-VL-Chat在中英文的對(duì)齊評(píng)測(cè)中均取得了開源LVLM最好結(jié)果。
8月初，阿里云開源通義千問70億參數(shù)通用模型Qwen-7B和對(duì)話模型Qwen-7B-Chat，成為國內(nèi)首個(gè)加入大模型開源行列的大型科技企業(yè)。通義千問開源模型剛一上線就廣受關(guān)注，當(dāng)周沖上HuggingFace趨勢(shì)榜單，不到一個(gè)月在GitHub收獲3400多星，模型累計(jì)下載量已突破40萬。
開源地址：
ModelScope魔搭社區(qū)：
Qwen-VL ???通義千問-VL-預(yù)訓(xùn)練
Qwen-VL-Chat ???通義千問-VL-Chat
模型體驗(yàn)：通義千問-多模態(tài)對(duì)話-Demo
HuggingFace：
Qwen-VL ??Qwen/Qwen-VL · Hugging Face
Qwen-VL-Chat ??Qwen/Qwen-VL-Chat · Hugging Face
GitHub：
GitHub - QwenLM/Qwen-VL: The official repo of Qwen-VL (通義千問-VL) chat & pretrained large vision language model proposed by Alibaba Cloud.
技術(shù)論文地址：文章來源：http://www.zghlxwxcb.cn/news/detail-672481.html
https://arxiv.org/abs/2308.12966文章來源地址http://www.zghlxwxcb.cn/news/detail-672481.html
到了這里，關(guān)于阿里云通義千問開源第二波！大規(guī)模視覺語言模型Qwen-VL上線魔搭社區(qū)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
