中文性能反超VLM頂流GPT-4V，阿里Qwen-VL超大杯限免！看圖秒寫編程視覺難題一眼辨出

　　【新智元導(dǎo)讀】多模態(tài)大模型將是AI下一個爆點(diǎn)。最近，通義千問VLM模型換新升級，超大杯性能堪比GPT-4V。最最重要的是，還能限時免費(fèi)用。

　　最近，通義千問實(shí)火。

　　前段時間被網(wǎng)友玩瘋的全民舞王，讓「AI科目三」頻頻登上熱搜。

　　讓甄嬛、慈禧、馬斯克、貓主子和兵馬俑能跳舞那款A(yù)I，就藏在通義千問APP背后。

　　最強(qiáng)國產(chǎn)視覺語言模型了解一下

　　就在這幾天，通義千問團(tuán)隊又對多模態(tài)大模型下手了——

　　再一次升級通義千問視覺語言模型Qwen-VL，繼Plus版本之后，又推出Max版本。

　　Qwen-VL是阿里在2023年8月推出的具備圖文理解能力的大模型，基于通義千問語言模型開發(fā)。升級后的Qwen-VL視覺水平大幅提升，對很多圖片的理解水平接近人類。

　　并且，還能夠支持百萬像素以上的高清分辨率圖，以及各種極端長寬比的圖片。

　　升級版模型限時免費(fèi)，在通義千問官網(wǎng)和APP都可體驗，API也可免費(fèi)調(diào)用。

　　評測結(jié)果顯示，Qwen-VL的升級版本在MMMU、MathVista等任務(wù)上遠(yuǎn)超業(yè)界所有開源模型，在文檔分析(DocVQA)、中文圖像相關(guān)(MM-Bench-CN)等任務(wù)上超越GPT-4V，達(dá)到世界最佳水平。

　　在第三方權(quán)威評測上，Qwen-VL常常與GPT-4V、Gemini攜手占據(jù)業(yè)界三強(qiáng)，與其他競爭者拉開相當(dāng)大的差距。

　　來源：OpenCompass

　　話不多說，小編立馬展開實(shí)測。

　　多模態(tài)基礎(chǔ)能力

　　首先，我們直接來了一道難度拉滿的題——一張小編十年前在雪鄉(xiāng)拍的照片。

　　Qwen-VL-Max不僅一眼認(rèn)了出來，而且還配上了一段非常優(yōu)美的描寫：

　　房屋上覆蓋著厚厚的積雪，像是童話里的小木屋。太陽剛剛升起，給雪地和房屋染上了一層溫暖的色彩。遠(yuǎn)處的山巒和森林也籠罩在淡黃色的晨光中，整個場景顯得寧靜而祥和。

　　而GPT-4V則表示，由于沒有具體的地標(biāo)，因此無法給出確切的位置。

　　接下來，Qwen-VL-Max不僅數(shù)對了難倒GPT-4V的「數(shù)數(shù)幾個葫蘆娃」問題。

　　而且還通關(guān)了經(jīng)典的計算機(jī)視覺難題——「吉娃娃與松餅」。

　　類似的「毛巾卷和沙皮狗」、「柯基屁股與土司」等等，也能順利答出。

　　甚至它還可以理解「給吉娃娃套上吐司」這樣惡搞的圖片。

　　對于在一張圖里分別辨認(rèn)多個名人這類問題，Qwen-VL-Max同樣能夠立刻給出正確的回答。

　　比如剛剛當(dāng)選ACM Fellow的圖靈三巨頭。

　　以及科技圈的一眾大佬。

　　同樣，它也可以精準(zhǔn)識別出圖像中的文字，即便是手寫體也不在話下。

　　相比之下，GPT-4V卻未能識別對圖中毛筆寫的字，而是給出了「恭賀新禧大吉大利」。

　　有趣的是，Qwen-VL-Max還能根據(jù)自己對圖像的理解寫詩。

　　比如這首根據(jù)「權(quán)力的游戲」中的名場面作的中文詩，就頗有意境。

　　而根據(jù)同一個場景作出的英文詩，也很有韻致。

　　視覺Agent能力

　　除了基礎(chǔ)的描述和識別能力外，Qwen-VL-Max還具備視覺定位能力，可以針對畫面指定區(qū)域進(jìn)行問答。

　　比如它能在一群貓貓中準(zhǔn)確框出黑貓。

　　還能在吉娃娃和松餅中框出吉娃娃。

　　我們標(biāo)出OpenAI聯(lián)創(chuàng)Karpathy帖子中的一個圖，問Qwen-VL-Max標(biāo)出的部分是什么意思。

　　它立馬給出的正確回答：標(biāo)出的部分是流程圖，展現(xiàn)了AlphaCodium的代碼生成過程。同時還給出了正確的描述。

　　關(guān)鍵信息提取處理

　　在實(shí)測中我們發(fā)現(xiàn)，Qwen-VL-Max最顯著的進(jìn)步之一，就是基于視覺完成復(fù)雜的推理。

　　這不僅限于描述內(nèi)容，而是能理解復(fù)雜的表達(dá)形式。

　　比如，下面這道看似簡單初中幾何題，由于條件信息都被嵌入進(jìn)了圖像里的，其實(shí)難倒了不少視覺模型：

　　相比之下，Qwen-VL-Max直接給出了正確解答。

　　上下滑動查看

　　再比如解釋下圖中的算法流程圖。

　　Qwen-VL-Max會清晰地給出整套流程的解釋，包括每一步之后需要進(jìn)行的步驟。

　　小朋友的編程題，它也能正確地理解圖中的流程，轉(zhuǎn)換成Python程序。

　　importrandom

　　# 初始化變量my_number = random.randint(1, 10)guess = None

　　# 猜數(shù)字循環(huán)whileguess != my_number:guess = int(input("Guess a number between 1 and 10: "))ifguess > my_number:print("Too high!")elifguess < my_number:print("Too low!")

　　print("You got it!")

　　直接給圖表，Qwen-VL-Max就能對之做出深入分析和解讀。

　　論文中多復(fù)雜的圖表，它都能瞬間幫我們整理成表格的形式，簡潔直觀。

　　下方的圖形推理題，它能準(zhǔn)確推測出圖四應(yīng)該是星星中有一個點(diǎn)的圖形。

　　文本信息識別處理

　　這次，迭代后的Qwen-VL-Plus/Max處理圖像中的文本的能力也顯著提升，尤其是中文和英文文本。

　　模型可以有效地從表格和文檔中提取信息，并將這些信息重新格式化。

　　比如，隨手拍一張鋪滿字的藥品說明書圖片上傳，要求它按規(guī)范格式輸出文字。

　　Qwen-VL-Max不僅可以準(zhǔn)確識別出圖片中文字，還可以將圖中【】同步出來。

　　甚至下面這種寫滿筆記而且還存在遮蓋的掃描版文檔，也能識別出來。

　　上下滑動查看

　　Qwen-VL碾壓同級大模型，AI社區(qū)盛贊

　　通義千問在多種復(fù)雜視覺任務(wù)上的表現(xiàn)著實(shí)讓人驚艷，背后的技術(shù)架構(gòu)是怎樣的?

　　早在去年8月，團(tuán)隊就開源了基于Qwen-7B和ViT-G的Qwen-VL。

　　論文地址：https://arxiv.org/abs/2308.12966

　　不同于直接使用視覺語言下游任務(wù)數(shù)據(jù)集進(jìn)行對齊，團(tuán)隊在訓(xùn)練初代Qwen-VL時設(shè)計了一種三階段的訓(xùn)練方法。

　　階段一：預(yù)訓(xùn)練——將視覺編碼器與凍結(jié)LLM對齊

　　因為訓(xùn)練數(shù)據(jù)規(guī)模不足，可能導(dǎo)致任務(wù)泛化性能較差，所以使用大量的弱監(jiān)督圖像文本對數(shù)據(jù)(如LAION-5B)進(jìn)行對齊。

　　與此同時，為了保留LLM的理解和生成能力，還需凍結(jié)LLM。

　　階段二：多任務(wù)預(yù)訓(xùn)練——賦予Qwen-VL完成多樣下游任務(wù)的能力

　　讓LLM在視覺問答、圖像描述生成(Image Caption)、OCR、視覺定位(Visual Grounding)等各種任務(wù)上完成預(yù)訓(xùn)練。

　　這里，直接用文字坐標(biāo)表示位置，因此LLM能夠自然地輸出關(guān)注元素的位置信息。

　　階段三：監(jiān)督微調(diào)——將視覺語言模型與人類偏好對齊

　　收集并構(gòu)造了一組多樣化的SFT樣本，對視覺語言模型進(jìn)行了初步的對齊處理。

　　可以看到，在主流多模態(tài)任務(wù)評測和多模態(tài)聊天能力評測中，Qwen-VL都取得同期遠(yuǎn)超同等規(guī)模通用模型的表現(xiàn)。

　　Qwen-VL模型開源后，在AI社區(qū)受到了廣泛的好評和推薦。

　　有網(wǎng)友感慨道，人工智能的下一次進(jìn)化來了!Qwen-VL模型巧妙地融合了視覺+文本推理，推進(jìn)了多模態(tài)人工智能發(fā)展。

　　還有網(wǎng)友表示，通義千問團(tuán)隊的工作非常出色和認(rèn)真，尤其是新發(fā)布的版本，絕對優(yōu)秀。

　　當(dāng)然，全新迭代后的Qwen-VL-Plus性能更是大幅提升，網(wǎng)友紛紛開啟測試。

　　比如有人發(fā)現(xiàn)Qwen-VL-Plus竟通過了自己的「蘑菇測試」(識別圖片中某個特定種類的蘑菇)，他表示「這是第二個開源VLM模型通過這項測試」。

　　還有人將Qwen-VL-Plus與ChatGPT進(jìn)行了對比，通義千問模型的回答更加讓人印象深刻。

　　AI下一個爆點(diǎn)：多模態(tài)視覺語言模型

　　2023，是大語言模型的爆發(fā)年。

　　在LLM之后，下一個爆發(fā)的賽道會在哪里?

　　很多人認(rèn)為，是多模態(tài)。能否實(shí)現(xiàn)AGI，或許關(guān)鍵就在這里。

　　「多模態(tài)模型將成為AI時代下一爆點(diǎn)」這個論斷，也得到了業(yè)界眾多AI大佬的背書。

　　OpenAI開發(fā)者關(guān)系主管Logan Kilpatrick曾在AI Engineer峰會上表示，「2024年將是多模態(tài)模型年」。

　　最近HuggingFace的研究工程師在Latent Space播客采訪中更進(jìn)一步預(yù)測，2年內(nèi)所有的LLM都將變成LMM。

　　Meta公共政策專家對2024年AI預(yù)測，稱「LMM將不斷涌現(xiàn)，并在多模態(tài)評估、多模態(tài)安全、多模態(tài)這個、多模態(tài)那個的爭論中取代LLM。此外，LMM是邁向真正通用人工智能助手的墊腳石」。

　　對此，圖靈獎巨頭LeCun也表示贊同。

　　過去一年中，許多人見證了多模態(tài)大模型發(fā)展的重要里程碑。

　　從LLaVa、Imagebind、Flamingo，到GPT-4V、Gemini等大模型誕生，徹底改變了AI系統(tǒng)理解多種形式的數(shù)據(jù)，并與之交互的方式。

　　在多模態(tài)大模型賽道上，國內(nèi)頭部科技公司阿里也在一直布局探索。

　　2021年推出M6系列預(yù)訓(xùn)練-微調(diào)模式，到2022年發(fā)布圖文模態(tài)任務(wù)統(tǒng)一的通用模型OFA系列，再到OFA-Sys的系統(tǒng)化AI學(xué)習(xí)的嘗試。

　　2023年通義千問大模型問世后，8月底阿里團(tuán)隊基于Qwen-7B打造的視覺理解大模型Qwen-VL正式開源。

　　11月，阿里又開源了音頻理解大模型Qwen-Audio，同時還升級了Qwen-VL，使之具備通用OCR、視覺推理、中文文本理解基礎(chǔ)能力，還能處理各種分辨率和規(guī)格的圖像。緊接著，就是Qwen-VL-Max的推出。

　　通義千問團(tuán)隊表示，他們一直以來都把開發(fā)與人類一樣能聽、能看、能理解、能溝通的「通用AI模型」作為目標(biāo)。

　　所有多模態(tài)大模型的迭代更新，最重要的價值就在于與落地應(yīng)用相融合，重塑各個行業(yè)。

　　LMM已成為AI企業(yè)關(guān)注的重點(diǎn)發(fā)展趨勢，其泛化能力是形成完備的商業(yè)模式的關(guān)鍵能力之一。

　　而最先迎來革新的行業(yè)，便是機(jī)器人領(lǐng)域。LMM將推動未來家用服務(wù)機(jī)器人更進(jìn)一步走進(jìn)人類生活。

　　經(jīng)過過去一年大模型的持續(xù)發(fā)酵，讓許多人看到AI+機(jī)器人的廣闊應(yīng)用前景，這也是為什么許多AI大佬將2024年稱之為「機(jī)器人元年」的原因。

　　比如，谷歌DeepMind團(tuán)隊升級的RT-2機(jī)器人由全新的「視覺語言動作」模型的加持，多了一個動作模態(tài)，表現(xiàn)出驚人的學(xué)習(xí)能力和理解力。

　　多模態(tài)大模型Gemini發(fā)布后，谷歌DeepMind的首席執(zhí)行官Hassabis同樣表示，「團(tuán)隊正在研究如何將Gemini與機(jī)器人技術(shù)相結(jié)合，與世界進(jìn)行物理互動」。

　　LMM還可以通過醫(yī)學(xué)影像分析幫助醫(yī)生診斷疾病，并幫助醫(yī)生解讀醫(yī)學(xué)圖像和報告以更快地進(jìn)行診斷。

　　前幾天，世界衛(wèi)生組織(WHO)還發(fā)布了全新指南，概述了多模態(tài)大模型在醫(yī)療衛(wèi)生領(lǐng)域的五大應(yīng)用場景：診斷和臨床護(hù)理、患者自主使用、文書和行政工作、醫(yī)療和護(hù)理教育、科學(xué)研究和藥物研發(fā)。

　　另外，在教育領(lǐng)域，LMM的應(yīng)用也是比比皆是。

　　比如GPT-4加持的可汗學(xué)院AI機(jī)器人Khanmio能夠為學(xué)生提供個性化輔導(dǎo)，還有專注數(shù)學(xué)的WolframAlpha能夠生成可視化的解題步驟。

　　未來，多模態(tài)大模型通過結(jié)合文本、圖像和音頻，能夠創(chuàng)造更加身臨其境的學(xué)習(xí)體驗。

　　多模態(tài)大模型無縫集成了文本、圖像、音頻不同的模態(tài)，將會為醫(yī)療保健、教育、藝術(shù)和個性化推薦領(lǐng)域的變革性應(yīng)用打開了大門。

　　綜上，我們可以得到這樣一個結(jié)論——LMM是人工智能的未來，更是邁向人工通用智能的墊腳石。

　　顯然，阿里正在走一條非常正確的路。