अलीबाबा ने हाल ही में QVQ-72B नामक एक नया बहु-मोड तर्क मॉडल लॉन्च किया है, जो Qwen2-VL-72B पर आधारित है, जिसमें शक्तिशाली भाषा और दृश्य क्षमताओं का समावेश है, जो अधिक जटिल तर्क और विश्लेषणात्मक कार्यों को संभाल सकता है, जो बहु-मोड AI क्षेत्र में एक नई प्रगति का संकेत है। QVQ-72B ने दृश्य तर्क, गणित और विज्ञान की समस्याओं में उल्लेखनीय सुधार दिखाया है, विशेष रूप से बहु-चरण तर्क कार्यों में। इसका मतलब है कि यह मॉडल न केवल पाठ जानकारी को समझ सकता है, बल्कि छवि जानकारी को भी समझ सकता है और बहु-चरण

Qwen टीम ने हाल ही में अपने नवीनतम विकसित मल्टी-मोडल इंफरेंस मॉडल QVQ को ओपन-सोर्स करने की घोषणा की है, जो कृत्रिम बुद्धिमत्ता के दृश्य समझ और जटिल समस्या-समाधान क्षमताओं में महत्वपूर्ण कदम के रूप में काम करता है। यह मॉडल Qwen2-VL-72B पर आधारित है, जिसका उद्देश्य भाषा और दृश्य जानकारी को जोड़कर AI की विवेचनात्मक क्षमताओं को बढ़ाना है। MMMU परीक्षण में, QVQ ने 70.3 का उच्च स्कोर प्राप्त किया, और कई गणितीय संबंधित मानक परीक्षणों में Qwen2-VL-72B-Instruct की तुलना में महत्वपूर्ण प्रदर्शन में सुधार दिखाया।

अलीबाबा क्लाउड बैरलियन बड़े मॉडल सेवा मंच ने हाल ही में "ऑडियो-वीडियो रियल-टाइम इंटरैक्शन" सुविधा शुरू की है, जिससे उपयोगकर्ता बिना किसी प्रोग्रामिंग ज्ञान के मल्टी-मोडल AI अनुप्रयोग आसानी से बना सकते हैं। यह नई सुविधा उपयोगकर्ताओं को वेब, iOS और एंड्रॉइड अनुप्रयोगों में तेजी से AI मॉडलों को एकीकृत करने और दूसरों के साथ साझा करने की अनुमति देती है। उपयोगकर्ता स्मार्ट एजेंट अनुप्रयोग बनाने के लिए साधारण चरणों का पालन कर सकते हैं: सबसे पहले एक नया स्मार्ट एजेंट अनुप्रयोग बनाएं, फिर अलीबाबा क्लाउड बैरलियन मंच पर आवश्यक पाठ, आवाज या दृश्य समझ के बड़े मॉडलों को चुनें और कॉन्फ़िगर करें। मंच 200 से अधिक बड़े मॉडलों की पेशकश करता है, जिसमें

हाल के वर्षों में, दृश्य और भाषा कार्यों के लिए मशीन लर्निंग मॉडल के अनुप्रयोग की मांग तेजी से बढ़ी है, लेकिन अधिकांश मॉडल को बड़े परिकलन संसाधनों की आवश्यकता होती है, जिससे वे व्यक्तिगत उपकरणों पर प्रभावी ढंग से चल नहीं पाते। विशेष रूप से, जैसे लैपटॉप, उपभोक्ता स्तर के GPU और मोबाइल उपकरणों जैसे छोटे उपकरणों को दृश्य-भाषा कार्यों को संभालने में बड़े पैमाने पर चुनौतियों का सामना करना पड़ता है। Qwen2-VL के मामले में, जबकि इसकी प्रदर्शन उत्कृष्ट है, हार्डवेयर के प्रति इसकी उच्च आवश्यकता इसकी रियल-टाइम अनुप्रयोगों में उपयोगिता को सीमित करती है। इसलिए, कम संसाधनों पर चलने के लिए एक हल्के मॉडल का विकास करना महत्वपूर्ण हो गया है,

2 सितंबर को, टोंगय कियानवेन ने अपने दूसरे पीढ़ी के विज़ुअल लैंग्वेज मॉडल Qwen2-VL को ओपन-सोर्स करने की घोषणा की, और अली क्लाउड बायलियन प्लेटफ़ॉर्म पर 2B, 7B आकार और उनके मात्रात्मक संस्करण मॉडल के API को लॉन्च किया, ताकि उपयोगकर्ता सीधे कॉल कर सकें। Qwen2-VL मॉडल ने कई मामलों में प्रदर्शन में व्यापक सुधार किया है। यह विभिन्न रिज़ॉल्यूशन और विभिन्न अनुपात वाले चित्रों को समझ सकता है, और DocVQA, RealWorldQA, MTVQA जैसे बेंचमार्क परीक्षणों में विश्व स्तर पर प्रमुख प्रदर्शन हासिल किया है।

अलीबाबा के क्लाउड कंप्यूटिंग विभाग ने नया एआई मॉडल Qwen2-VL लॉन्च किया है, जो दृश्य सामग्री को समझने की जबरदस्त क्षमता रखता है। यह 20 मिनट तक के वीडियो का वास्तविक समय में विश्लेषण कर सकता है, वीडियो की सामग्री का सारांश दे सकता है, संबंधित प्रश्नों के उत्तर दे सकता है, और ऑनलाइन चैट समर्थन प्रदान कर सकता है। तृतीय-पक्ष मानक परीक्षणों में, Qwen2-VL कुछ संकेतकों में Meta के Llama3.1, OpenAI के GPT-4o, Anthropic के Claude3Haiku, और Google के Gemini-1.5Flash को पीछे छोड़ दिया।

अलीबाबा की दामो学院 की通义千问 टीम ने 30 अगस्त, 2024 को अपने नवीनतम परिणाम - Qwen2-VL मॉडल के महत्वपूर्ण अपडेट की घोषणा की। Qwen2-VL मॉडल ने चित्र समझ, वीडियो प्रसंस्करण और बहुभाषा समर्थन के क्षेत्रों में महत्वपूर्ण उन्नति की है, जो प्रमुख प्रदर्शन मापदंडों के लिए नए मानक निर्धारित करता है।