Qwen-VL

通用型视觉语言模型

普通产品生产力视觉语言模型

Qwen-VL 是阿里云推出的通用型视觉语言模型,具有强大的视觉理解和多模态推理能力。它支持零样本图像描述、视觉问答、文本理解、图像地标定位等任务,在多个视觉基准测试中达到或超过当前最优水平。该模型采用 Transformer 结构,以 7B 参数规模进行预训练,支持 448x448 分辨率,可以端到端处理图像与文本的多模态输入与输出。Qwen-VL 的优势包括通用性强、支持多语种、细粒度理解等。它可以广泛应用于图像理解、视觉问答、图像标注、图文生成等任务。

Best AI Websites & Tools

Qwen-VL

Qwen-VL 最新流量情况

Qwen-VL 访问量趋势

Qwen-VL 访问地理位置分布

Qwen-VL 流量来源

Qwen-VL 替代品

honeybee — 多模态语言模型预测网络

MobileLLM-1B — Meta 开发的子十亿参数语言模型，适用于设备端应用。

MobileLLM-600M — 高效优化的600M参数语言模型，专为设备端应用设计。

MobileLLM-350M — 高效优化的子十亿参数语言模型，专为设备端应用设计

Spirit LM — 多模态语言模型，融合文本和语音

ACE: All-round Creator and Editor Following Instructions via Diffusion Transformer — 全能的创造者和编辑器，通过扩散变换遵循指令

ell — 轻量级语言模型编程库，将提示视为函数。

DCLM-7B — 7亿参数的语言模型，展示数据整理技术的有效性。

Enchanted — 与私有自托管语言模型对话的iOS/macOS应用

VideoLLaMA2-7B — 大型视频-语言模型，提供视觉问答和视频字幕生成。

VideoLLaMA2-7B-16F-Base — 大型视频语言模型，用于视觉问答和视频字幕生成。

Phi-3-vision-128k-instruct — 微软轻量级、先进的多模态模型，专注于文本和视觉的高质量推理密集数据。

LLM Transparency Tool — 分析Transformer语言模型的内部工作机制

imp-v1-3b — 一款强大的多模态小语言模型

SpeechGPT — 多模态语言模型

Lepton Search — Lepton是一个开源的语言模型搜索平台

moondream — 一款强大的小型视觉语言模型，无处不在

TinyGPT-V — 高效多模态大型语言模型

A Vision Check-up — 学习模型间字符串关系，检查视觉世界

Unified-IO 2 — 统一的多模态生成模型

InternVL — 开源视觉基础模型

ml-ferret — 端到端MLLM，实现精准引用和定位

Megatron-LM — 大规模训练 Transformer 模型的持续研究

CLoT — 发现 LLM 的创意与幽默潜力

DreamLLM — 多模态综合理解与创作

DataChain — 现代Python数据框库，专为人工智能设计。

browser-use — 开源的网页自动化库，支持任何大型语言模型（LLM）

OuteTTS-0.1-350M — 一款通过纯语言模型实现的文本到语音合成模型

Aquila-VL-2B-llava-qwen — 视觉语言模型，结合图像和文本信息进行智能处理。