跳到正文

Qwen-VL

面向图像与文本的通用型视觉语言模型

访问官网

Qwen-VL 是什么

Qwen-VL 被介绍为阿里云推出的通用型视觉语言模型,具有视觉理解和多模态推理能力。它采用 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。

你可以用它做什么

  • 在零样本条件下生成图像描述
  • 回答针对图像的视觉问题
  • 理解图中文字并定位图像地标
  • 以细粒度理解结合多语言支持

应用场景

  • 把一张图片转写成文字描述
  • 回答围绕图片提出的问题
  • 读出图片里包含的文字内容

模型说明

  • 采用 Transformer 结构
  • 以 7B 参数规模进行预训练
  • 支持 448x448 的输入分辨率
  • 图像与文本的输入和输出端到端处理

优点与缺点

✓ 我们认可的地方

  • 图像与文本的输入输出可端到端处理
  • 资料称其通用性强并支持多语种

! 需要留意的地方

  • 资料描述的预训练规模为 7B 参数
  • 输入分辨率写明为 448x448

常见问题

列出了哪些任务?

零样本图像描述、视觉问答、文本理解、图像地标定位、多语言支持与细粒度图像理解。

模型规模多大?

资料说明采用 Transformer 结构,以 7B 参数规模预训练,并支持 448x448 分辨率。

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