阿里云推出大规模视觉语言模型Qwen-VL，具备多模态信息理解能力

近日，阿里云宣布推出一款强大的视觉语言模型Qwen-VL，该模型基于通义千问70亿参数的基座语言模型Qwen-7B进行研发，能够处理图文 input 并具备多模态信息理解能力。

Qwen-VL是一款具备多元语言支持的视觉语言(Vision Language, VL)模型。相较于先前的VL模型,Qwen-VL不仅拥有基本的图文识别、描述、问答以及对话功能,还进一步拓展了其视觉定位和图像中文字理解的能力。这意味着Qwen-VL能够更好地理解和处理多种语言的视觉信息,为相关应用提供了更加强大的支持。

在医疗环境中，例如一个不精通中文的外国游客在面对医院 various科室的位置时可能会感到困惑。这时，我们的 Qwen-VL 系统可以发挥它的图像识别和问答功能。具体来说，当游客拍下楼层导览图并询问“骨科在哪层”或“耳鼻喉科去哪层”时，Qwen-VL 会根据图片信息提供相应的文字回答，这体现了我们系统出色的图像理解能力。另一方面，如果我们将一张上海外滩的照片输入到系统中，Qwen-VL 可以迅速找到并准确圈出东方明珠这一目标，这充分展示了我们的视觉定位能力。总的来说，无论是图像理解还是视觉定位，Qwen-VL 都能为我们提供准确、高效的服务。

Qwen-VL是一款基于Qwen-7B语言模型的产品，其独特的设计在于融入了视觉编码器，从而赋予了模型处理视觉信号的能力。这种创新性的架构设计，使得Qwen-VL能够对视觉信号进行细粒度的感知和理解，这是传统语言模型所不具备的。值得关注的是，Qwen-VL支持的图像输入分辨率为448，远高于通常的224分辨率，这无疑为其在视觉领域的发展提供了更大的可能。为了进一步推动Qwen-VL的应用，通义千问团队利用对齐机制，开发出了基于LLM的视觉AI助手Qwen-VL-Chat。这一产品的出现，使得开发者可以快速构建出具备多模态能力的对话应用，大大提升了开发的效率和使用的便捷性。

多模态被视为通用人工智能的关键技术进步路径之一。业内普遍观点认为，相较于仅支持单一感官和文本输入的语言模型，“五官全开”的多模态模型，为人工智能的跃升提供了巨大的潜力。通过整合多种信息输入方式，如文本、图像和音频等，多模态模型能够提高大模型对世界的认知能力，并拓宽其应用范围。

人类的第一感官能力是视觉，这也是研究者们首先考虑为大型模型赋予的多模态能力。在成功推出M6和OFA系列多模态模型的基础上，阿里云通义千问团队再次开放源代码，推出了基于Qwen-7B的大规模视觉语言模型——Qwen-VL。

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。

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。

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。

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。

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。