通義千問開源視覺語言模型 Qwen2-VL，可理解 20 分鐘以上視頻

AIGC動態歡迎閱讀

原標題：通義千問開源視覺語言模型 Qwen2-VL，可理解 20 分鐘以上視頻
關鍵字：語言,模型,視覺,能力,圖像
文章來源：AI前線
內容字數：0字

內容摘要：

整理 | 褚杏娟
2023 年 8 月，通義千問開源第一代視覺語言理解模型 Qwen-VL，成為開源社區最受歡迎的多模態模型之一。短短一年內，模型下載量突破 1000 萬次。目前，多模態模型在手機、車端等各類視覺識別場景的落地正在加速，開發者和應用企業也格外關注 Qwen-VL 的升級迭代。
相比上代模型，Qwen2-VL 的基礎性能全面提升，可以讀懂不同分辨率和不同長寬比的圖片，在 DocVQA、RealWorldQA、MTVQA 等基準測試創下全球領先的表現；可以理解 20 分鐘以上長視頻，支持基于視頻的問答、對話和內容創作等應用；具備強大的視覺智能體能力，可自主操作手機和機器人，借助復雜推理和決策的能力，Qwen2-VL 可以集成到手機、機器人等設備，根據視覺環境和文字指令進行自動操作；能理解圖像視頻中的多語言文本，包括中文、英文，大多數歐洲語言，日語、韓語、語、語等。
通義千問團隊從六個方面評估了模型能力，包括綜合的大學題目、數學能力、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-7B 以其“經濟型”參數規模實現了極具競爭力

原文鏈接：通義千問開源視覺語言模型 Qwen2-VL，可理解 20 分鐘以上視頻

聯系作者

文章來源：AI前線
作者微信：
作者簡介：