【資料圖】
阿里云推出了大規(guī)模視覺語言模型Qwen-VL，目前已經(jīng)在ModeScope開源，IT之家早前曾報道，阿里云此前已經(jīng)開源通義千問70 億參數(shù)通用模型Qwen-7B和對話模型Qwen-7B-Chat。
據(jù)悉，Qwen-VL是一款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，其除了具備基本的圖文識別、描述、問答及對話能力之外，還新增了視覺定位、圖像中文字理解等能力。
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輸入，該模型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。
官方表示，該模型可用于知識問答、圖像標(biāo)題生成、圖像問答、文檔問答、細(xì)粒度視覺定位等場景，在主流的多模態(tài)任務(wù)評測和多模態(tài)聊天能力評測中，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，通義千問團隊使用對齊機制，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)能力的對話應(yīng)用。
通義千問團隊同時表示，為了測試模型的多模態(tài)對話能力，他們構(gòu)建了一套基于GPT-4打分機制的測試集 “試金石”，對Qwen-VL-Chat及其他模型進行對比測試，Qwen-VL-Chat在中英文的對齊評測中均取得了開源LVLM最好結(jié)果。
責(zé)任編輯：李楠
分享到：版權(quán)聲明：凡注明來源“流媒體網(wǎng)”的文章，版權(quán)均屬流媒體網(wǎng)所有，轉(zhuǎn)載需注明出處。非本站出處的文章為轉(zhuǎn)載，觀點供業(yè)內(nèi)參考，不代表本站觀點。文中圖片均來源于網(wǎng)絡(luò)收集整理，僅供學(xué)習(xí)交流，版權(quán)歸原作者所有。如涉及侵權(quán)，請及時聯(lián)系我們刪除!關(guān)鍵詞：
責(zé)任編輯：QL0009
