8 月 25 日消息，通义千问开源第二波！今日，阿里云推出大规模视觉语言模型 Qwen-VL，一步到位、直接开源。Qwen-VL 以通义千问 70 亿参数模型 Qwen-7B 为基座语言模型研发，支持图文输入，具备多模态信息理解能力。在主流的多模态任务评测和多模态聊天能力评测中，Qwen-VL 取得了远超同等规模通用模型的表现。
Qwen-VL 是支持中英文等多种语言的视觉语言（Vision Language，VL）模型，相较于此前的 VL 模型，Qwen-VL 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、图像中文字理解等能力。
多模态是通用人工智能的重要技术演进方向之一。业界普遍认为，从单一感官的、仅支持文本输入的语言模型，到“五官全开”的，支持文本、图像、音频等多种信息输入的多模态模型，蕴含着大模型智能跃升的巨大可能。多模态能够提升大模型对世界的理解程度，充分拓展大模型的使用场景。
视觉是人类的第一感官能力，也是研究者首先想赋予大模型的多模态能力。继此前推出 M6、OFA 系列多模态模型之后，阿里云通义千问团队又开源了基于 Qwen-7B 的大规模视觉语言模型（Large Vision Language Model, LVLM）Qwen-VL。Qwen-VL 及其视觉 AI 助手 Qwen-VL-Chat 均已上线 ModelScope 魔搭社区，开源、免费、可商用。
用户可从魔搭社区直接下载模型，也可通过阿里云灵积平台访问调用 Qwen-VL 和 Qwen-VL-Chat，阿里云为用户提供包括模型训练、推理、部署、精调等在内的全方位服务。
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。
比如，一位不懂中文的外国游客到医院看病，不知怎么去往对应科室，他拍下楼层导览图问 Qwen-VL“骨科在哪层”“耳鼻喉科去哪层”，Qwen-VL 会根据图片信息给出文字回复，这是图像问答能力；再比如，输入一张上海外滩的照片，让 Qwen-VL 找出东方明珠，Qwen-VL 能用检测框准确圈出对应建筑，这是视觉定位能力。
Qwen-VL 是业界首个支持中文开放域定位的通用模型，开放域视觉定位能力决定了大模型“视力”的精准度，也即，能否在画面中精准地找出想找的事物，这对于 VL 模型在机器人操控等真实应用场景的落地至关重要。
Qwen-VL 以 Qwen-7B 为基座语言模型，在模型架构上引入视觉编码器，使得模型支持视觉信号输入，并通过设计训练过程，让模型具备对视觉信号的细粒度感知和理解能力。Qwen-VL 支持的图像输入分辨率为 448，此前开源的 LVLM 模型通常仅支持 224 分辨率。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，可让开发者快速搭建具备多模态能力的对话应用。
在四大类多模态任务（Zero-shot Caption/VQA/DocVQA/Grounding）的标准英文测评中，Qwen-VL 取得了同等尺寸开源 LVLM 的最好效果。为了测试模型的多模态对话能力，通义千问团队构建了一套基于 GPT- 4 打分机制的测试集“试金石”，对 Qwen-VL-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取得了开源 LVLM 最好结果。
8 月初，阿里云开源通义千问 70 亿参数通用模型 Qwen-7B 和对话模型 Qwen-7B-Chat，成为国内首个加入大模型开源行列的大型科技企业。通义千问开源模型刚一上线就广受关注，当周冲上 HuggingFace 趋势榜单，不到一个月在 GitHub 收获 3400 多星，模型累计下载量已突破 40 万。
原文链接：https://www.163.com/dy/article/ID008MV2053179F1.html
