阿里云昨日公布了其多模態大模型研究的新進展，推出了升級版的通義千問視覺理解模型Qwen-VL-Max。這款模型在視覺推理能力和中文理解能力上都有了顯著提升，性能表現堪比GPT-4V和谷歌的Gemini Ultra。
Qwen-VL-Max的升級主要表現在以下幾個方面：
- 基礎能力：Qwen-VL-Max能夠準確描述和識別圖片信息，并基于圖片進行信息推理和擴展創作。它還具備了視覺定位能力，能夠對畫面指定區域進行問答。
- 視覺推理：新版模型能夠理解流程圖等復雜形式圖片，并能夠分析復雜圖標。此外，它在看圖做題、看圖作文以及看圖寫代碼等任務上也達到了世界最佳水平。
- 圖像文本處理：Qwen-VL-Max的中英文文本識別能力顯著提高，支持百萬像素以上的高清分辨率圖和極端寬高比的圖像。它既能夠完整復現密集文本，也能從表格和文檔中提取信息。
與LLM（大語言模型）相比，多模態大模型擁有更大的應用想象力。例如，研究者正在探索將多模態大模型與自動駕駛場景結合，為“完全自動駕駛”找到新的技術路徑。此外，將多模態模型部署到手機、機器人、智能音箱等端側設備，可以讓智能設備自動理解物理世界的信息，或者基于多模態模型開發應用，輔助視力障礙群體的日常生活等等。
Qwen-VL-Plus和Qwen-VL-Max目前限時免費，用戶可以在通義千問官網、通義千問APP直接體驗Max版本模型的能力，也可以通過阿里云靈積平臺（DashScope）調用模型API。
總的來說，阿里云的通義千問多模態大模型Qwen-VL-Max在視覺推理和中文理解方面都展現出了強大的實力，其性能表現足以與GPT-4V和谷歌的Gemini Ultra相媲美。這將為用戶提供更豐富、更準確的視覺信息理解和創作能力，推動AI技術在更多領域的應用和發展。
原創文章，作者：若安丶，如若轉載，請注明出處：http://www.bdzhitong.com/article/624926.html
