本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

阿里開源大模型，又上新了~

繼通義千問-7B（Qwen-7B）之后，阿里云又推出了大規(guī)模視覺語言模型Qwen-VL，并且一上線就直接開源。

具體來說，Qwen-VL是基于通義千問-7B打造的多模態(tài)大模型，支持圖像、文本、檢測(cè)框等多種輸入，并且在文本之外，也支持檢測(cè)框的輸出。

舉個(gè)??，我們輸入一張阿尼亞的圖片，通過問答的形式，Qwen-VL-Chat既能概括圖片內(nèi)容，也能定位到圖片中的阿尼亞。

測(cè)試任務(wù)中，Qwen-VL展現(xiàn)出了“六邊形戰(zhàn)士”的實(shí)力，在四大類多模態(tài)任務(wù)的標(biāo)準(zhǔn)英文測(cè)評(píng)中（Zero-shot Caption/VQA/DocVQA/Grounding）上，都取得了SOTA。

開源消息一出，就引發(fā)了不少關(guān)注。

具體表現(xiàn)如何，咱們一起來看看~

首個(gè)支持中文開放域定位的通用模型

先來整體看一下Qwen-VL系列模型的特點(diǎn)：

• 多語言對(duì)話：支持多語言對(duì)話，端到端支持圖片里中英雙語的長(zhǎng)文本識(shí)別；
• 多圖交錯(cuò)對(duì)話：支持多圖輸入和比較，指定圖片問答，多圖文學(xué)創(chuàng)作等；
• 首個(gè)支持中文開放域定位的通用模型：通過中文開放域語言表達(dá)進(jìn)行檢測(cè)框標(biāo)注，也就是能在畫面中精準(zhǔn)地找到目標(biāo)物體；
• 細(xì)粒度識(shí)別和理解：相比于目前其它開源LVLM（大規(guī)模視覺語言模型）使用的224分辨率，Qwen-VL是首個(gè)開源的448分辨率LVLM模型。更高分辨率可以提升細(xì)粒度的文字識(shí)別、文檔問答和檢測(cè)框標(biāo)注。

按場(chǎng)景來說，Qwen-VL可以用于知識(shí)問答、圖像問答、文檔問答、細(xì)粒度視覺定位等場(chǎng)景。

比如，有一位看不懂中文的外國(guó)友人去醫(yī)院看病，對(duì)著導(dǎo)覽圖一個(gè)頭兩個(gè)大，不知道怎么去往對(duì)應(yīng)科室，就可以直接把圖和問題丟給Qwen-VL，讓它根據(jù)圖片信息擔(dān)當(dāng)翻譯。

再來測(cè)試一下多圖輸入和比較：

雖然沒認(rèn)出來阿尼亞，不過情緒判斷確實(shí)挺準(zhǔn)確的（手動(dòng)狗頭）。

視覺定位能力方面，即使圖片非常復(fù)雜人物繁多，Qwen-VL也能精準(zhǔn)地根據(jù)要求找出綠巨人和蜘蛛俠。

技術(shù)細(xì)節(jié)上，Qwen-VL是以Qwen-7B為基座語言模型，在模型架構(gòu)上引入了視覺編碼器ViT，并通過位置感知的視覺語言適配器連接二者，使得模型支持視覺信號(hào)輸入。

具體的訓(xùn)練過程分為三步：

• 預(yù)訓(xùn)練：只優(yōu)化視覺編碼器和視覺語言適配器，凍結(jié)語言模型。使用大規(guī)模圖像-文本配對(duì)數(shù)據(jù)，輸入圖像分辨率為224x224。
• 多任務(wù)預(yù)訓(xùn)練：引入更高分辨率（448x448）的多任務(wù)視覺語言數(shù)據(jù)，如VQA、文本VQA、指稱理解等，進(jìn)行多任務(wù)聯(lián)合預(yù)訓(xùn)練。
• 監(jiān)督微調(diào)：凍結(jié)視覺編碼器，優(yōu)化語言模型和適配器。使用對(duì)話交互數(shù)據(jù)進(jìn)行提示調(diào)優(yōu)，得到最終的帶交互能力的Qwen-VL-Chat模型。

研究人員在四大類多模態(tài)任務(wù)（Zero-shot Caption/VQA/DocVQA/Grounding）的標(biāo)準(zhǔn)英文測(cè)評(píng)中測(cè)試了Qwen-VL。

結(jié)果顯示，Qwen-VL取得了同等尺寸開源LVLM的最好效果。

另外，研究人員構(gòu)建了一套基于GPT-4打分機(jī)制的測(cè)試集TouchStone。

在這一對(duì)比測(cè)試中，Qwen-VL-Chat取得了SOTA。

如果你對(duì)Qwen-VL感興趣，現(xiàn)在在魔搭社區(qū)和huggingface上都有demo可以直接試玩，鏈接文末奉上~

Qwen-VL支持研究人員和開發(fā)者進(jìn)行二次開發(fā)，也允許商用，不過需要注意的是，商用的話需要先填寫問卷申請(qǐng)。

項(xiàng)目鏈接：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

論文地址：https://arxiv.org/abs/2308.12966