首页 > 热点
阿里云推出大规模视觉语言模型Qwen-VL 已在ModeScope开源
发布日期:2026-11-17
浏览次数:{固定数字3}

阿里云今日推出了大规模视觉语言模型Qwen-VL,目前已经在ModeScop阿里e开源,IT之家早前曾报道,阿里云此前已经开源通义千问70 亿参数通用模型Qw云推en-7B和对话模型Qwen-7B-Chat。

据悉,Qwen-VL是一款支持中英出大文等多种语言的视觉语言(Vision Language,VL)模型,相较于此前的VL模规模型,其除了具备基本的图文识别、描述、问答及对话能力之外,还新增了视觉定位、图像视觉中文字理解等能力。

Qwen-VL以Qwen-7B为基座语言模型,在模型架构上引入视觉语言编码器,使得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,此前开源的模型LVLM模型通常仅支持224分辨率。

官方表示,该模型可用于知识问答、图像标题生成、Qw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en中,取得了远超同等规模通用模型的表现。

此外,在Qwen-VL的基础上,通义千问-V团队使用对齐机制,打造了基于LLM的视觉AI助手Qwen-VL-Chat,可让L 开发者快速搭建具备多模态能力的对话应用。

通义千问团队同时表示,为了测试模型的多已在模态对话能力,他们构建了一套基于GPT-4打分机制的测试集 “试金石”,对Qwen-MoVL-Chat及其他模型进行对比测试,Qwen-VL-Chat在中英文的对齐评测中均de取得了开源LVLM最好结果。

上一篇:​谷歌的 TPU 业务或将冲击 9000 亿美元市场,挑战英伟达
下一篇:国家发改委等四部门:推动数据中心和5G等新型基础设施绿色高质量发展
相关文章