阿里云今日推出大規模視覺語言模型Qwen-VL，并對其直接開源。Qwen-VL以通義千問70億參數模型Qwen-7B為基座語言模型研發，支持圖文輸入。相較于此前的VL模型，Qwen-VL除了具備基本的圖文識別、描述、問答及對話能力之外，還新增了視覺定位、圖像中文字理解等能力，可用于知識問答、圖像標題生成、圖像問答、文檔問答、細粒度視覺定位等場景。