作者｜星奈

媒体｜AI 大模型工场

通义千问开源第二波！

AI 大模型工场获悉，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。

具备图文理解能力的多模态大模型 Qwen-VL 来了

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。

开源，阿里大模型繁荣的利器？

今年 7 月，微软联手 Meta 发布开源 AI 模型的可商用版本 Llama 2，提供 OpenAI 和谷歌模型的平替产品。

大模型行业的竞争格局正在慢慢改变，开源正在不断繁荣大模型生态。

在国内，7 月中旬，智谱 AI 及清华 KEG 实验室公布，中国顶尖开源大模型 ChatGLM2-6B 允许免费商用。

阿里云也紧跟其后，8 月初，宣布通义千问开源。

通义千问 70 亿参数通用模型 Qwen-7B 和对话模型 Qwen-7B-Chat 上架魔搭，两款模型均开源、免费、可商用。阿里云也成为国内首个加入大模型开源行列的大型科技企业。

无论是通用模型 Qwen-7B 和对话模型 Qwen-7B-Chat 还是第二波开源的视觉语言模型 Qwen-VL，都体现了阿里云在开源道路上发展的决心。

不仅如此，阿里云一直将促进中国大模型生态繁荣作为自己的首要目标，向大模型创业公司提供智能算力、开发工具等全方位服务。目前，阿里大模型开源社区——魔搭，集聚了 200 多万 AI 开发者、1000 多个优质 AI 模型，模型累计下载总量超过 4500 万。

今年 2023 阿里云峰会上，阿里宣布向企业开放通义千问，企业可以调用通义千问的能力训练自己的大模型。

阿里云智能集团首席技术官（CTO）周靖人表示，未来企业在阿里云上既可以调用通义千问的全部能力，也可以结合企业自身的行业知识和应用场景，训练自己的企业大模型。比如，每个企业都可以有自己的智能客服、智能导购、智能语音助手、文案助手、AI 设计师、自动驾驶模型等。

开源生态对促进中国大模型的技术进步与应用落地至关重要，也是阿里大模型在“百模大战”中杀出重围的利器。