阿里云昨日公布了其多模态大模型研究的新进展，推出了升级版的通义千问视觉理解模型Qwen-VL-Max。这款模型在视觉推理能力和中文理解能力上都有了显著提升，性能表现堪比GPT-4V和谷歌的Gemini Ultra。
Qwen-VL-Max的升级主要表现在以下几个方面：
- 基础能力：Qwen-VL-Max能够准确描述和识别图片信息，并基于图片进行信息推理和扩展创作。它还具备了视觉定位能力，能够对画面指定区域进行问答。
- 视觉推理：新版模型能够理解流程图等复杂形式图片，并能够分析复杂图标。此外，它在看图做题、看图作文以及看图写代码等任务上也达到了世界最佳水平。
- 图像文本处理：Qwen-VL-Max的中英文文本识别能力显著提高，支持百万像素以上的高清分辨率图和极端宽高比的图像。它既能够完整复现密集文本，也能从表格和文档中提取信息。
与LLM（大语言模型）相比，多模态大模型拥有更大的应用想象力。例如，研究者正在探索将多模态大模型与自动驾驶场景结合，为“完全自动驾驶”找到新的技术路径。此外，将多模态模型部署到手机、机器人、智能音箱等端侧设备，可以让智能设备自动理解物理世界的信息，或者基于多模态模型开发应用，辅助视力障碍群体的日常生活等等。
Qwen-VL-Plus和Qwen-VL-Max目前限时免费，用户可以在通义千问官网、通义千问APP直接体验Max版本模型的能力，也可以通过阿里云灵积平台（DashScope）调用模型API。
总的来说，阿里云的通义千问多模态大模型Qwen-VL-Max在视觉推理和中文理解方面都展现出了强大的实力，其性能表现足以与GPT-4V和谷歌的Gemini Ultra相媲美。这将为用户提供更丰富、更准确的视觉信息理解和创作能力，推动AI技术在更多领域的应用和发展。
原创文章，作者：若安丶，如若转载，请注明出处：https://www.kejixun.com/article/624926.html
