阿里巨型模型再次开源！图像理解与物体识别功能一应俱全，基于通用问题集7B训练，商业应用可行
阿里巴巴开源了一个新的大模型，非常令人兴奋~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。Qwen-VL是一种基于通义千问-7B的多模态大模型，具体而言，它支持图像、文本和检测框等多种输入，并且不仅仅可以输出文本，还可以输出检测框举个例子，我们输入一张阿尼亚的图片，通过问答的形式，Qwen-VL-Chat能够总结图片内容，并且能够准确地定位到图片中的阿尼亚在测试任务中，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
阿里巴巴开源了一个新的大模型，非常令人兴奋~
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。
Qwen-VL是一种基于通义千问-7B的多模态大模型，具体而言，它支持图像、文本和检测框等多种输入，并且不仅仅可以输出文本，还可以输出检测框
举个例子，我们输入一张阿尼亚的图片，通过问答的形式，Qwen-VL-Chat能够总结图片内容，并且能够准确地定位到图片中的阿尼亚
在测试任务中，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，都取得了最先进的成果
一经开源消息传出，立刻引起了广泛关注
让我们一起来看看具体的表现如何吧！
首个支持中文开放域定位的通用模型
首先，让我们来整体看一下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。
在不改变原意的情况下，需要重写的内容是：Qwen-VL可以在知识问答、图像问答、文档问答、细粒度视觉定位等场景中使用
例如，有一个外国朋友不懂中文去医院看病，对着导览图感到困惑，不知道如何前往相应的科室，可以直接将图和问题交给Qwen-VL，让它根据图片信息充当翻译
再次进行多图输入和比较的测试
尽管没有认出阿尼亚，但情绪判断确实相当准确（手动狗头）
在视觉定位能力方面，即使图片非常复杂且人物众多，Qwen-VL仍然可以根据要求准确地找出绿巨人和蜘蛛侠
Qwen-VL在技术细节上以Qwen-7B为基座语言模型，并通过引入视觉编码器ViT和位置感知的视觉语言适配器，使得模型能够支持视觉信号输入
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。
在Qwen-VL的标准英文测评中，研究人员对四大类多模态任务（Zero-shot Caption/VQA/DocVQA/Grounding）进行了测试
根据结果显示，Qwen-VL在与同等尺寸的开源LVLM进行比较时取得了最佳效果
另外，研究人员构建了一套基于GPT-4打分机制的测试集TouchStone。
Qwen-VL-Chat在这项对比测试中取得了最先进技术水平（SOTA）
如果你对Qwen-VL感兴趣，你可以在魔搭社区和huggingface上找到demo来直接试玩。链接在文末提供
Qwen-VL支持研究人员和开发者进行二次开发，并且允许商业使用。但需要注意的是，如果要进行商业使用，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
请点击以下链接查看论文：https://arxiv.org/abs/2308.12966
近日Cloudflare收购Astro团队，以强化开源Web框架生态。Astro以内容优先、多框架兼容、毫秒级加载著称，收购后继续保持MIT许可，并支持多平台部署。全新Astro6Beta重构开发服务器，原生集成内容安全策略，极大地提升运行性能与开发体验。
6月29日，2026全球数字经济大会的太空算力论坛在北京海淀举办。这场论坛上，北京太空算力创新中心正式揭牌，同时国内首个太空操作系统开源标准体系也对外亮相。这标志着，我们在太空算力产业的标准化、协同化发展上，迈出了重要一步。活动由全球数字经济大会组委会主办，“北京团队”——市经信局、中关村科学城管委
本文首发于 NebulaGraph 公众号NebulaGraph VEditor 是一个拥有高性能、高可定制的所见即所得图可视化编辑器前端库。NebulaGraph VEditor 底层基于 SVG 绘图，它通过合理抽象代码结构以易于二次开发和自定义绘制，极适用于审批流，工作流，血缘关系，ETL 处
李志信 (GitHubID LaurenceLiZhixin)，中山大学软件工程专业在校学生，擅长使用 Ja va/Go 语言，专注于云原生和微服务等技术方向。3月19日，初春的杭州，依旧阴雨朦胧。透过 EFC 健身房的落地窗往外看，远处的楼宇、青山、整齐的街道和稀疏的车辆在水雾中若隐若现。午后的小
今日，StreamNative宣布发布并开源首版AWS Simple Queue Service (SQS) connector[1]，这着实令人振奋！借助SQS connector，您能够毫不费力地在Pulsar与SQS之间实现数据的流动，进而充分发挥这两种消息系统各自的优势。可以说，这是Stre
01 网易 Duilib 框架概述 Duilib 是 Windows 系统下的开源的 DirectUI 界面库（遵循 BSD 协议），完全免费，可用于商业软件开发。Duilib 可以简单方便地实现大多数界面需求，包括换肤、换色、透明等功能，支持多种图片格式，使用 XML 可以方便地定制窗口，能较好地
美国西部时间 2020 年 11 月 18 日，在云原生技术“最高盛宴”的 KubeCon 北美峰会 2020 上，CNCF 应用交付领域小组（CNCF SIG App Delivery) 与 Open Application Model (OAM) 社区，以及来自阿里云、微软云的 OAM 项目维护
本文涉及的开源框架，仅包含前端、后端和客户端三个方面开源的世界里到处都是“奇珍异宝”，那些琳琅满目的开源项目，它们各有特色有的是简单清爽的小工具，有的是令人称奇的黑科技，还有的是解决痛点的技术方案。这些开源项目处处散发着“诱人”的气息，让人跃跃欲试、欲罢不能。作为程序员的你，看到那些高星、高性能、高
Databend 是一款现代云数仓。专为弹性和高效设计，为您的大规模分析需求保驾护航。自由且开源。即刻体验云服务：https://app.databend.cn 。What's On In Databend探索 Databend 本周新进展，遇到更贴近你心意的 Databend 。多源数据目录在 D
Databend 是一款现代云数仓。专为弹性和高效设计，为您的大规模分析需求保驾护航。自由且开源。即刻体验云服务：https://app.databend.cn 。What's On In Databend探索 Databend 本周新进展，遇到更贴近你心意的 Databend 。理解连接参数连接参
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
