跳到正文

CogVLM

可就图像对话的开源视觉语言模型

访问官网
分类 AI模型

CogVLM 是什么

CogVLM 被介绍为一个强大的开源视觉语言模型,其中 CogVLM-17B 拥有 100 亿个视觉参数和 70 亿个语言参数,还可以与你就图像进行对话。

你可以用它做什么

  • 准确描述图像细节
  • 回答各种类型的问题
  • 进行视觉定位
  • 就图像展开对话

基准测试说明

  • 资料称 CogVLM-17B 在 10 个经典跨模态基准测试上取得最先进的性能,包括 NoCaps、Flicker30k 字幕、RefCOCO、RefCOCO+、RefCOCOg、Visual7W、GQA、ScienceQA、VizWiz VQA 和 TDIUC
  • 资料列出它在 VQAv2、OKVQA、TextVQA、COCO 字幕等方面排名第二
  • 资料称其表现超过或与 PaLI-X 55B 相匹配

优点与缺点

✓ 我们认可的地方

  • 开源视觉语言模型
  • 图像描述、问题回答与视觉定位集中在一个模型里

! 需要留意的地方

  • 所列基准测试结果来自资料本身的陈述
  • 资料称 CogVLM-17B 在 VQAv2、OKVQA、TextVQA、COCO 字幕等方面排名第二

常见问题

模型能处理图像的哪些任务?

功能列表列出准确描述图像细节、回答各种类型的问题与视觉定位。

CogVLM-17B 的规模是多大?

资料说明有 100 亿个视觉参数和 70 亿个语言参数。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法