DoNews8月25日消息，阿里云 25 日推出了大規(guī)模視覺(jué)語(yǔ)言模型 Qwen-VL，目前已經(jīng)在 ModeScope 開(kāi)源，阿里云此前已經(jīng)開(kāi)源通義千問(wèn) 70 億參數(shù)通用模型 Qwen-7B 和對(duì)話(huà)模型 Qwen-7B-Chat。
據(jù)悉，Qwen-VL 是一款支持中英文等多種語(yǔ)言的視覺(jué)語(yǔ)言（Vision Language，VL）模型，相較于此前的 VL 模型，其除了具備基本的圖文識(shí)別、描述、問(wèn)答及對(duì)話(huà)能力之外，還新增了視覺(jué)定位、圖像中文字理解等能力。
Qwen-VL 以 Qwen-7B 為基座語(yǔ)言模型，在模型架構(gòu)上引入視覺(jué)編碼器，使得模型支持視覺(jué)信號(hào)輸入，該模型支持的圖像輸入分辨率為 448，此前開(kāi)源的 LVLM 模型通常僅支持 224 分辨率。
官方表示，該模型可用于知識(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，取得了遠(yuǎn)超同等規(guī)模通用模型的表現(xiàn)。
此外，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，可讓開(kāi)發(fā)者快速搭建具備多模態(tài)能力的對(duì)話(huà)應(yīng)用。
通義千問(wèn)團(tuán)隊(duì)同時(shí)表示，為了測(cè)試模型的多模態(tài)對(duì)話(huà)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”，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(kāi)源 LVLM 最好結(jié)果。
