Qwen-VL ist ein von Alibaba Cloud entwickeltes universelles visuell-sprachliches Modell mit starken Fähigkeiten im visuellen Verständnis und multimodalen Schließen. Es unterstützt Aufgaben wie Zero-Shot-Bildbeschreibung, visuelle Fragebeantwortung, Textverständnis und Lokalisierung von Bildmerkmalen und erreicht oder übertrifft in mehreren visuellen Benchmark-Tests den aktuellen Stand der Technik. Das Modell verwendet eine Transformer-Architektur, wurde mit 7 Milliarden Parametern vortrainiert, unterstützt eine Auflösung von 448x448 und kann multimodalen Input und Output aus Bild und Text End-to-End verarbeiten. Zu den Stärken von Qwen-VL gehören seine hohe Universalität, die mehrsprachige Unterstützung und das detaillierte Verständnis. Es kann breit gefächert in Anwendungen wie Bildverständnis, visuelle Fragebeantwortung, Bildannotation und Bild-Text-Generierung eingesetzt werden.