阿里巨型模型再次开源！图像理解与物体识别功能一应俱全，基于通用问题集7B训练，商业应用可行

---

阿里巴巴开源了一个新的大模型，非常令人兴奋~

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。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

Qwen-VL是一种基于通义千问-7B的多模态大模型，具体而言，它支持图像、文本和检测框等多种输入，并且不仅仅可以输出文本，还可以输出检测框

举个例子，我们输入一张阿尼亚的图片，通过问答的形式，Qwen-VL-Chat能够总结图片内容，并且能够准确地定位到图片中的阿尼亚

在测试任务中，Qwen-VL展现出了“六边形战士”的实力，在四大类多模态任务的标准英文测评中（Zero-shot Caption/VQA/DocVQA/Grounding）上，都取得了最先进的成果

一经开源消息传出，立刻引起了广泛关注

让我们一起来看看具体的表现如何吧！

首个支持中文开放域定位的通用模型

首先，让我们来整体看一下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；
• 首个支持中文开放域定位的通用模型：通过中文开放域语言表达进行检测框标注，也就是能在画面中精准地找到目标物体；
• 细粒度识别和理解：相比于目前其它开源LVLM（大规模视觉语言模型）使用的224分辨率，Qwen-VL是首个开源的448分辨率LVLM模型。更高分辨率可以提升细粒度的文字识别、文档问答和检测框标注。

在不改变原意的情况下，需要重写的内容是：Qwen-VL可以在知识问答、图像问答、文档问答、细粒度视觉定位等场景中使用

例如，有一个外国朋友不懂中文去医院看病，对着导览图感到困惑，不知道如何前往相应的科室，可以直接将图和问题交给Qwen-VL，让它根据图片信息充当翻译

再次进行多图输入和比较的测试

尽管没有认出阿尼亚，但情绪判断确实相当准确（手动狗头）

在视觉定位能力方面，即使图片非常复杂且人物众多，Qwen-VL仍然可以根据要求准确地找出*和蜘蛛侠

网易人工智能

网易数帆多媒体智能生产力平台

233 查看详情

Qwen-VL在技术细节上以Qwen-7B为基座语言模型，并通过引入视觉编码器ViT和位置感知的视觉语言适配器，使得模型能够支持视觉信号输入

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224x224。
• 多任务预训练：引入更高分辨率（448x448）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。

在Qwen-VL的标准英文测评中，研究人员对四大类多模态任务（Zero-shot Caption/VQA/DocVQA/Grounding）进行了测试

根据结果显示，Qwen-VL在与同等尺寸的开源LVLM进行比较时取得了最佳效果

另外，研究人员构建了一套基于GPT-4打分机制的测试集TouchStone。

Qwen-VL-Chat在这项对比测试中取得了最先进技术水平（SOTA）

如果你对Qwen-VL感兴趣，你可以在魔搭社区和huggingface上找到demo来直接试玩。链接在文末提供

Qwen-VL支持研究人员和开发者进行二次开发，并且允许商业使用。但需要注意的是，如果要进行商业使用，需要先填写问卷申请

项目链接：https://modelscope.cn/models/qwen/Qwen-VL/summary
https://modelscope.cn/models/qwen/Qwen-VL-Chat/summary
https://huggingface.co/Qwen/Qwen-VL
https://huggingface.co/Qwen/Qwen-VL-Chat
https://github.com/QwenLM/Qwen-VL

请点击以下链接查看论文：https://arxiv.org/abs/2308.12966

以上就是阿里巨型模型再次开源！图像理解与物体识别功能一应俱全，基于通用问题集7B训练，商业应用可行的详细内容，更多请关注其它相关文章！

# 更高  # 如何推广营销柜子  # 鹤壁企业营销推广  # 高端的网站建设公司  # 仙湖网站优化排名  # 网站列表页优化  # seo渠道推广怎么做  # 跨国网站架构优化  # 官网的网站建设收费  # 浙江seo排名打造  # 传统汽修店如何营销推广  # 多模  # 模型  # 英文  # 丰田  # 尼亚  # 首个  # 中国科学院  # 多图  # 网易  # qwen  # 通义千问  # 开源 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 游族AI创新院揭牌成立 推进AI赋能游戏业务  创新科学家成功研发FAST激光靶标维护机器人  谷歌在人工智能领域没有“护城河”？  精准度可提高 20%：英国九家银行签约使用基于 AI 的“消费者欺诈风险系统”应对*  商业智能决策技术助力降本增效，世界人工智能大会举办商业AI高峰论坛  世界周刊丨AI“棱镜”？  图灵奖得主Hinton：我已经老了，如何控制比人类更聪明的AI交给你们了  中国联通推出“极光一号”5G机载终端，适配大疆等品牌无人机设备  AI 大模型重塑软件开发，有哪些落地前景和痛点？| ArchSummit  广州团建公司方案 | 绝密飞行 → X-PLANE无人机团建主题团建  让AI助手带您轻松愉快地享受写作之旅  月薪6万，哪些AI岗位在抢人？  人工智能赋能广西自然资源领域监测监管  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  【澎湃原动力】人工智能产业协同创新中心：全产业链资源在这里汇聚  全球首款AI裸眼3D平板 国产的售价破万  美军AI无人机“误杀”操作员，人工智能要在军事领域毁灭人类？  业内领先 四川大学华西第四医院甲状腺乳腺外科成功进入手术机器人时代  深剖Apple Vision Pro中暗藏的“AI”  研究表明 GPT-4 模型具备自我纠错能力，有望推动 AI 代码进一步商业化  华为云盘古大模型3.0发布 AI云服务同时上线：200亿亿次性能  新华三集团总裁兼首席执行官于英涛：人工智能时代需要想象力，更需要精耕务实  售价14.99万起！小米汽车部分信息疑遭AI曝光，内部人士回应：网传图片明显经过处理，不可轻信  微软推出 LLaVA-Med AI 模型，可对医学病理案例进行分析  世界人工智能大会机器人同台炫技！梳理A股相关业务营收占比超50%的个股名单  “技术+实践+生态”三箭齐发，京东方抢占物联网高地  首届亚太网络法实务大会召开 九位大咖探讨元宇宙与人工智能发展  传Meta 2025年推出首款AR眼镜，采用军用级别材料，计划生产1000台  AI进军债券交易，BondGPT来了！  普林斯顿大学推出 Infinigen AI 模型，生成真实自然环境 3D 场景  OpenAI 为开发者推出 GPT 聊天机器人 API 大更新，同时降低价格  日新月异，脑机接口技术都有哪些新应用？  重塑未来生活的五项技术趋势  小艺主导智慧交互升级，借助AI大模型增强能力  GPT-4成功战胜AI-Guardian审核系统：谷歌研究团队的人工智能抵抗人工智能  谷歌AudioPaLM实现「文本+音频」双模态解决，说听两用大模型  加强高质量数据供应能力，促进通用人工智能大模型领域的创新  再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手  特斯拉机器人面世 未来将大幅提振磁材需求，引领人工智能时代  全新小艺搭载AI大模型，有效提升学生和职场人士的工作效率  AI成政客博弈工具，美国大选真假难辨，律师们的生意来了  谷歌推出 AI 反洗钱工具，可将金融机构内部风险预警准确率提高2至4倍  XREAL Beam 投屏盒子正式发布：支持“可悬停 AR 空间屏”  懒人必备的家居清洁好物，石头自清洁扫拖机器人G20  灯塔AI大模型票房预测上线：开源算法不断提升精准度  Nature封面：量子计算机离实际应用还有两年  人形机器人打开精密齿轮市场全新空间！受益上市公司梳理  自然语言生成在智能家居设备中的应用  Yann LeCun团队新研究成果：对自监督学习逆向工程，原来聚类是这样实现的  2025智源大会AI安全话题备受关注，《人机对齐》新书首发 

 2023-09-03