速途網訊 通義千問開源第二波！8月25日消息，阿里云推出大規模視覺語言模型Qwen-VL，一步到位、直接開源。Qwen-VL以通義千問70億參數模型Qwen-7B為基座語言模型研發，支持圖文輸入，具備多模態信息理解能力。在主流的多模態任務評測和多模態聊天能力評測中，Qwen-VL取得了遠超同等規模通用模型的表現。

Qwen-VL是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，Qwen-VL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。

多模態是通用人工智能的重要技術演進方向之一。業界普遍認為，從單一感官的、僅支持文本輸入的語言模型，到“五官全開”的，支持文本、圖像、音頻等多種信息輸入的多模態模型，蘊含著大模型智能躍升的巨大可能。多模態能夠提升大模型對世界的理解程度，充分拓展大模型的使用場景。

視覺是人類的第一感官能力，也是研究者首先想賦予大模型的多模態能力。繼此前推出M6、OFA系列多模態模型之后，阿里云通義千問團隊又開源了基于Qwen-7B的大規模視覺語言模型（Large Vision Language Model, LVLM）Qwen-VL。Qwen-VL及其視覺AI助手Qwen-VL-Chat均已上線ModelScope魔搭社區，開源、免費、可商用。

用戶可從魔搭社區直接下載模型，也可通過阿里云靈積平臺訪問調用Qwen-VL和Qwen-VL-Chat，阿里云為用戶提供包括模型訓練、推理、部署、精調等在內的全方位服務。

Qwen-VL可用于知識問答、圖像標題生成、圖像問答、文檔問答、細粒度視覺定位等場景。

比如，一位不懂中文的外國游客到醫院看病，不知怎么去往對應科室，他拍下樓層導覽圖問Qwen-VL“骨科在哪層”“耳鼻喉科去哪層”，Qwen-VL會根據圖片信息給出文字回復，這是圖像問答能力；再比如，輸入一張上海外灘的照片，讓Qwen-VL找出東方明珠，Qwen-VL能用檢測框準確圈出對應建筑，這是視覺定位能力。

Qwen-VL是業界首個支持中文開放域定位的通用模型，開放域視覺定位能力決定了大模型“視力”的精準度，也即，能否在畫面中精準地找出想找的事物，這對于VL模型在機器人操控等真實應用場景的落地至關重要。

Qwen-VL以Qwen-7B為基座語言模型，在模型架構上引入視覺編碼器，使得模型支持視覺信號輸入，并通過設計訓練過程，讓模型具備對視覺信號的細粒度感知和理解能力。Qwen-VL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。在Qwen-VL 的基礎上，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，可讓開發者快速搭建具備多模態能力的對話應用。

在四大類多模態任務（Zero-shot Caption/VQA/DocVQA/Grounding）的標準英文測評中，Qwen-VL取得了同等尺寸開源LVLM的最好效果。為了測試模型的多模態對話能力，通義千問團隊構建了一套基于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最好結果。

8月初，阿里云開源通義千問70億參數通用模型Qwen-7B和對話模型Qwen-7B-Chat，成為國內首個加入大模型開源行列的大型科技企業。通義千問開源模型剛一上線就廣受關注，當周沖上HuggingFace趨勢榜單，不到一個月在GitHub收獲3400多星，模型累計下載量已突破40萬。（梔橙）