阿里云通义千问再开源！具备图文理解能力的多模态大模型Qwen-VL来了

速途元宇宙研究院8月25日消息今日，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。