鱼羊 发自 凹非寺
量子位 | 公众号 qbitai
阿里开源大模型,又上新了~
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。
具体来说,qwen-vl是基于通义千问-7b打造的多模态大模型,支持图像、文本、检测框等多种输入,并且在文本之外,也支持检测框的输出。
举个,我们输入一张阿尼亚的图片,通过问答的形式,qwen-vl-chat既能概括图片内容,也能定位到图片中的阿尼亚。
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sota。
开源消息一出,就引发了不少关注。
具体表现如何,咱们一起来看看~
首个支持中文开放域定位的通用模型
先来整体看一下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。
按场景来说,qwen-vl可以用于知识问答、图像问答、文档问答、细粒度视觉定位等场景。
比如,有一位看不懂中文的外国友人去医院看病,对着导览图一个头两个大,不知道怎么去往对应科室,就可以直接把图和问题丢给qwen-vl,让它根据图片信息担当翻译。
再来测试一下多图输入和比较:
虽然没认出来阿尼亚,不过情绪判断确实挺准确的(手动狗头)。
视觉定位能力方面,即使图片非常复杂人物繁多,qwen-vl也能精准地根据要求找出绿巨人和蜘蛛侠。
技术细节上,qwen-vl是以qwen-7b为基座语言模型,在模型架构上引入了视觉编码器vit,并通过位置感知的视觉语言适配器连接二者,使得模型支持视觉信号输入。
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。
研究人员在四大类多模态任务(zero-shot caption/vqa/docvqa/grounding)的标准英文测评中测试了qwen-vl。
结果显示,qwen-vl取得了同等尺寸开源lvlm的最好效果。
另外,研究人员构建了一套基于gpt-4打分机制的测试集touchstone。
在这一对比测试中,qwen-vl-chat取得了sota。
如果你对qwen-vl感兴趣,现在在魔搭社区和huggingface上都有demo可以直接试玩,链接文末奉上~
qwen-vl支持研究人员和开发者进行二次开发,也允许商用,不过需要注意的是,商用的话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
论文地址:
https://arxiv.org/abs/2308.12966
— 完 —
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
notice: the content above (including the pictures and videos if any) is uploaded and posted by a user of netease hao, which is a social media platform and only provides information storage services.