Qwen-VL：最新國產(chǎn)多模態(tài)大模型，基于通義千問-7B
魚羊 發(fā)自 凹非寺 量子位 | 公眾號 QbitAI
阿里開源大模型，又上新了~
繼通義千問-7B（Qwen-7B）之后，阿里云又推出了大規(guī)模視覺語言模型Qwen-VL，并且一上線就直接開源。
具體來說，Qwen-VL是基于通義千問-7B打造的多模態(tài)大模型，支持圖像、文本、檢測框等多種輸入，并且在文本之外，也支持檢測框的輸出。
舉個??，我們輸入一張阿尼亞的圖片，通過問答的形式，Qwen-VL-Chat既能概括圖片內(nèi)容，也能定位到圖片中的阿尼亞。
測試任務(wù)中，Qwen-VL展現(xiàn)出了“六邊形戰(zhàn)士”的實力，在四大類多模態(tài)任務(wù)的標準英文測評中（Zero-shot Caption/VQA/DocVQA/Grounding）上，都取得了SOTA。
開源消息一出，就引發(fā)了不少關(guān)注。
具體表現(xiàn)如何，咱們一起來看看~
首個支持中文開放域定位的通用模型
先來整體看一下Qwen-VL系列模型的特點：
多語言對話：支持多語言對話，端到端支持圖片里中英雙語的長文本識別；
多圖交錯對話：支持多圖輸入和比較，指定圖片問答，多圖文學(xué)創(chuàng)作等；
首個支持中文開放域定位的通用模型：通過中文開放域語言表達進行檢測框標注，也就是能在畫面中精準地找到目標物體；
細粒度識別和理解：相比于目前其它開源LVLM（大規(guī)模視覺語言模型）使用的224分辨率，Qwen-VL是首個開源的448分辨率LVLM模型。更高分辨率可以提升細粒度的文字識別、文檔問答和檢測框標注。
按場景來說，Qwen-VL可以用于知識問答、圖像問答、文檔問答、細粒度視覺定位等場景。
比如，有一位看不懂中文的外國友人去醫(yī)院看病，對著導(dǎo)覽圖一個頭兩個大，不知道怎么去往對應(yīng)科室，就可以直接把圖和問題丟給Qwen-VL，讓它根據(jù)圖片信息擔(dān)當(dāng)翻譯。
再來測試一下多圖輸入和比較：
雖然沒認出來阿尼亞，不過情緒判斷確實挺準確的（手動狗頭）。
視覺定位能力方面，即使圖片非常復(fù)雜人物繁多，Qwen-VL也能精準地根據(jù)要求找出綠巨人和蜘蛛俠。
技術(shù)細節(jié)上，Qwen-VL是以Qwen-7B為基座語言模型，在模型架構(gòu)上引入了視覺編碼器ViT，并通過位置感知的視覺語言適配器連接二者，使得模型支持視覺信號輸入。
具體的訓(xùn)練過程分為三步：
預(yù)訓(xùn)練：只優(yōu)化視覺編碼器和視覺語言適配器，凍結(jié)語言模型。使用大規(guī)模圖像-文本配對數(shù)據(jù)，輸入圖像分辨率為224x224。
多任務(wù)預(yù)訓(xùn)練：引入更高分辨率（448x448）的多任務(wù)視覺語言數(shù)據(jù)，如VQA、文本VQA、指稱理解等，進行多任務(wù)聯(lián)合預(yù)訓(xùn)練。
監(jiān)督微調(diào)：凍結(jié)視覺編碼器，優(yōu)化語言模型和適配器。使用對話交互數(shù)據(jù)進行提示調(diào)優(yōu)，得到最終的帶交互能力的Qwen-VL-Chat模型。
研究人員在四大類多模態(tài)任務(wù)（Zero-shot Caption/VQA/DocVQA/Grounding）的標準英文測評中測試了Qwen-VL。
結(jié)果顯示，Qwen-VL取得了同等尺寸開源LVLM的最好效果。
另外，研究人員構(gòu)建了一套基于GPT-4打分機制的測試集TouchStone。
在這一對比測試中，Qwen-VL-Chat取得了SOTA。
如果你對Qwen-VL感興趣，現(xiàn)在在魔搭社區(qū)和huggingface上都有demo可以直接試玩，鏈接文末奉上~
Qwen-VL支持研究人員和開發(fā)者進行二次開發(fā)，也允許商用，不過需要注意的是，商用的話需要先填寫問卷申請。
項目鏈接：
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
論文地址：
https://arxiv.org/abs/2308.12966
關(guān)注公眾號【機器學(xué)習(xí)與AI生成創(chuàng)作】，更多精彩等你來讀
臥剿，6萬字！30個方向130篇！CVPR 2023 最全 AIGC 論文！一口氣讀完
深入淺出stable diffusion：AI作畫技術(shù)背后的潛在擴散模型論文解讀
深入淺出ControlNet，一種可控生成的AIGC繪畫生成算法！
戳我，查看GAN的系列專輯~！
附下載 |《TensorFlow 2.0 深度學(xué)習(xí)算法實戰(zhàn)》
附下載 |《計算機視覺中的數(shù)學(xué)方法》分享
《基于深度神經(jīng)網(wǎng)絡(luò)的少樣本學(xué)習(xí)綜述》
《禮記·學(xué)記》有云：獨學(xué)而無友，則孤陋而寡聞
點擊一杯奶茶，成為AIGC+CV視覺的前沿弄潮兒！，加入 AI生成創(chuàng)作與計算機視覺 知識星球！