VL

阿里云公布了多模态大模型的最新研究成果，继Plus版本之后，再次推出Max版本。Qwen-VL-Max模型在视觉推理方面展现出卓越的能力，可以理解并分析复杂的图片信息，包括识人、答题、创作和写代码等任务。此外，该模型还具备视觉定位功能，可根据画面指定区域进行问答。

零一万物Yi-VL多模态语言模型是零一万物Yi系列模型家族的新成员，它在图文理解和对话生成方面具备卓越的能力。Yi-VL模型在英文数据集MMMU和中文数据集CMMMU上都取得了领先成绩，展示了在复杂跨学科任务上的实力。

阿里云旗下魔搭社区（ModelScope）宣布开源视觉语言模型Qwen-VL。据介绍，Qwen-VL以通义千问70亿参数模型Qwen-7B为基座语言模型研发，支持图文输入，具备多模态信息理解能力。相比之前的模型，Qwen-VL新增了视觉定位、图像中文字理解等功能，可以接受图像和多语言文本作为输入，并输出图像或文本。