8月30日，阿里通義千問發(fā)布第二代視覺語言模型Qwen2-VL，旗艦?zāi)Ｐ?Qwen2-VL-72B的API已上線阿里云百煉平臺。Qwen2-VL在多個權(quán)威測評中刷新了多模態(tài)模型的最佳成績，在部分指標(biāo)上甚至超越了 GPT-4o 和 Claude3.5-Sonnet 等閉源模型。
2023年8月，通義千問開源第一代視覺語言理解模型Qwen-VL，成為開源社區(qū)最受歡迎的多模態(tài)模型之一。短短一年內(nèi)，模型下載量突破1000萬次。目前，多模態(tài)模型在手機(jī)、車端等各類視覺識別場景的落地正在加速，開發(fā)者和應(yīng)用企業(yè)也格外關(guān)注Qwen-VL的升級迭代。
相比上代模型，Qwen2-VL的基礎(chǔ)性能全面提升?？梢宰x懂不同分辨率和不同長寬比的圖片，在MathVista、DocVQA、RealWorldQA、MTVQA 等基準(zhǔn)測試創(chuàng)下全球領(lǐng)先的表現(xiàn)；可以理解20分鐘以上長視頻，支持基于視頻的問答、對話和內(nèi)容創(chuàng)作等應(yīng)用；具備強(qiáng)大的視覺智能體能力，可自主操作手機(jī)和機(jī)器人，借助復(fù)雜推理和決策的能力，Qwen2-VL 可以集成到手機(jī)、機(jī)器人等設(shè)備，根據(jù)視覺環(huán)境和文字指令進(jìn)行自動操作；能理解圖像視頻中的多語言文本，包括中文、英文，大多數(shù)歐洲語言，日語、韓語、阿拉伯語、越南語等。
通義千問團(tuán)隊從六個方面評估了模型能力，包括綜合的大學(xué)題目、數(shù)學(xué)能力、文檔表格多語言文字圖像的理解、通用場景問答、視頻理解、Agent 能力。Qwen2-VL-72B 在大部分的指標(biāo)上都達(dá)到了最優(yōu)，甚至超過了 GPT-4o 和 Claude3.5-Sonnet 等閉源模型，在文檔理解方面優(yōu)勢尤其明顯，僅在綜合的大學(xué)題目方面與 GPT-4o 存在差距。
用戶可通過阿里云百煉平臺調(diào)用Qwen2-VL-72B的API，地址：
https://help.aliyun.com/zh/model-studio/developer-reference/qwen-vl-api
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
