阿里开源大模型，又上新了~
继通义千问-7B（Qwen-7B）之后，阿里云又推出了大规模视觉语言模型Qwen-VL，并且一上线就直接开源。
基于通义千问-7B构建的Qwen-VL多模态大模型具备强大的功能，能够接收图像、文本以及检测框等多種輸入形式，並且在處理文本信息的同时，亦能將檢測框的結果進行輸出。这样的設計使得Qwen-VL能夠应对各種複雜的問題，並為用戶帶來更全面、高效的解決方案。
以阿尼亚为例，当我们输入一张她的图片，并通过问答的方式与Qwen-VL-Chat互动时，该系统不仅能够精炼地总结图片内容，还可以准确地识别出其中的阿尼亚元素。
在各种测试任务中，Qwen-VL充分展示了其“六边形战士”的独特魅力。在四大类多模态任务的标准化英语评估中（包括零散图像字幕/视觉问答/文档问答/ grounded 语义），它均取得了领先地位（SOTA）。
开源消息一出，就引发了不少关注。
具体表现如何，咱们一起来看看~
首个支持中文开放域定位的通用模型
先来整体看一下Qwen-VL系列模型的特点：
多语言对话：支持多语言对话，端到端支持图片里中英双语的长文本识别；
多图交错对话：支持多图输入和比较，指定图片问答，多图文学创作等；
首先，我们成功研发出了一个全新的通用模型，它能够支持中文开放域定位。这个模型的主要特点在于，它可以使用中文开放域的语言表达来进行检测框的标注，从而在画面中精准地锁定目标物体。这一技术突破性的进展，无疑为我们提供了更精确、更高效的图像识别方式，也进一步提升了我们的技术实力。
相较于当前其他采用224分辨率的LVLM（大型视觉语言模型）而言，Qwen-VL作为首个公开的448分辨率LVLM模型，具有显著优势。更高的分辨率有助于提升文本识别的细微差异、文档问答的精准度和检测框标注的精确性。
按场景来说，Qwen-VL可以用于知识问答、图像问答、文档问答、细粒度视觉定位等场景。
比如，有一位看不懂中文的外国友人去医院看病，对着导览图一个头两个大，不知道怎么去往对应科室，就可以直接把图和问题丢给Qwen-VL，让它根据图片信息担当翻译。
再来测试一下多图输入和比较：
虽然没认出来阿尼亚，不过情绪判断确实挺准确的（手动狗头）。
视觉定位能力方面，即使图片非常复杂人物繁多，Qwen-VL也能精准地根据要求找出绿巨人和蜘蛛侠。
技术细节上，Qwen-VL是以Qwen-7B为基座语言模型，在模型架构上引入了视觉编码器ViT，并通过位置感知的视觉语言适配器连接二者，使得模型支持视觉信号输入。
具体的训练过程分为三步：
预训练：只优化视觉编码器和视觉语言适配器，冻结语言模型。使用大规模图像-文本配对数据，输入图像分辨率为224×224。
多任务预训练：引入更高分辨率（448×448）的多任务视觉语言数据，如VQA、文本VQA、指称理解等，进行多任务联合预训练。
监督微调：冻结视觉编码器，优化语言模型和适配器。使用对话交互数据进行提示调优，得到最终的带交互能力的Qwen-VL-Chat模型。
研究人员在四大类多模态任务（Zero-shot Caption/VQA/DocVQA/Grounding）的标准英文测评中测试了Qwen-VL。
结果显示，Qwen-VL取得了同等尺寸开源LVLM的最好效果。
另外，研究人员构建了一套基于GPT-4打分机制的测试集TouchStone。
在这一对比测试中，Qwen-VL-Chat取得了SOTA。
如果你对Qwen-VL感兴趣，现在在魔搭社区和huggingface上都有demo可以直接试玩，链接文末奉上~
Qwen-VL支持研究人员和开发者进行二次开发，也允许商用，不过需要注意的是，商用的话需要先填写问卷申请。
— 完 —
阿里开源大模型, 多模态大模型, 通义千问-7B, 图像
Related posts
