繼 8 月初阿里云開源通義千問 70 億參數通用模型 Qwen-7B 和對話模型 Qwen-7B-Chat 后，又一大模型實現了開源。 阿里云開源通義千問多模態大模型 Qwen-VL

InfoQ 獲悉，8 月 25 日，阿里云開源通義千問多模態大模型 Qwen-VL。這是繼 8 月初阿里云開源通義千問 70 億參數通用模型 Qwen-7B 和對話模型 Qwen-7B-Chat 后，又開源的一大模型。

據介紹，Qwen-VL 是支持中英文等多種語言的視覺語言（Vision Language，VL）模型。相較于此前的 VL 模型，Qwen-VL 除了具備基本的圖文識別、描述、問答及對話能力之外，還新增了視覺定位、圖像中文字理解等能力。

具體來說，Qwen-VL 可以以圖像、文本、檢測框作為輸入，并以文本和檢測框作為輸出，可用于知識問答、圖像標題生成、圖像問答、文檔問答、細粒度視覺定位等多種場景。比如，一位不懂中文的外國游客到醫院看病，不知道怎么去往對應科室，他拍下樓層導覽圖問 Qwen-VL“骨科在哪層”“耳鼻喉科去哪層”，Qwen-VL 會根據圖片信息給出文字回復。

此外，Qwen-VL 還是業界首個支持中文開放域定位的通用模型，可以通過中文開放域語言表達進行檢測框標注。開放域視覺定位能力決定了大模型“視力”的精準度，這意味著具備該能力的大模型能在畫面中精準地找出想找的事物。比如，輸入一張上海外灘的照片，讓 Qwen-VL 找出東方明珠，Qwen-VL 能用檢測框準確圈出對應建筑。

據了解，Qwen-VL 以 Qwen-7B 為基座語言模型研發，在模型架構上引入視覺編碼器，使得模型支持視覺信號輸入，并通過設計訓練過程，讓模型具備對視覺信號的細粒度感知和理解能力。更高分辨率可以提升細粒度的文字識別、文檔問答和檢測框標注，相比于目前其它開源 LVLM 使用的 224 分辨率，Qwen-VL 是首個開源的 448 分辨率的 LVLM 模型。

阿里云通義千問團隊算法專家、Qwen-VL 開源模型負責人白金澤在接受 InfoQ 采訪時表示，Qwen-VL 模型的訓練分為三個階段：

在預訓練階段，團隊主要利用大規模、弱標注的圖像 - 文本樣本對進行訓練；

在多任務訓練階段，團隊整理了大量高質量多任務的細粒度圖文標注數據進行混合訓練，并升高了圖像的輸入分辨率，降低圖像縮放引起的信息損失，增強模型對圖像細節的感知能力，得到 Qwen-VL 預訓練模型；

在指令微調階段，團隊使用合成標注的對話數據進行指令微調，激發模型的指令跟隨和對話能力，得到具有交互能力的 Qwen-VL-Chat 對話模型。

白金澤表示，Qwen-VL 模型的研發難點主要體現在數據、訓練、框架三個層面。“數據方面，多模態的數據整理和清洗是個難點，有效的數據清洗可以提高訓練效率以及提升最終收斂后的效果。訓練方面，在多模態大模型的訓練中，一般認為大 batch 和較大學習率可以提升訓練收斂效率和最終結果，但其訓練過程可能更加不穩定。我們通過一些訓練技巧有效提升了訓練穩定性，具體細節將在相關論文中公布。框架方面，目前多模態大模型的并行訓練框架支持并不完善，我們對多模態大模型的 3D 并行技術進行了優化，可穩定訓練更大規模的多模態模型。”

除了 Qwen-VL，本次阿里云還開源了 Qwen-VL-Chat。Qwen-VL-Chat 是在 Qwen-VL 的基礎上，使用對齊機制打造的基于大語言模型的視覺 AI 助手，可讓開發者快速搭建具備多模態能力的對話應用。

白金澤補充說，團隊主要通過兩類方式評估了多模態大模型的效果。其一是使用標準基準數據集來評測每個多模態子任務的效果。例如評測圖片描述（Image Captioning）、圖片問答（Visual Question Answering, VQA）、文檔問答（Document VQA）、圖表問答（Chart VQA）、少樣本問答（Few-shot VQA）、參照物標注（Referring Expression Comprehension）等。其二是使用人工或借助 GPT-4 打分來評測多模態大模型的整體對話能力和對齊水平。通義千問團隊構建了一套基于 GPT-4 打分機制的基準“試金石”（ TouchStone），總計涵蓋 300+ 張圖片、800+ 道題目、27 個題目類別。

在四大類多模態任務（Zero-shot Caption/VQA/DocVQA/Grounding）的標準英文測評中，Qwen-VL 取得了同等尺寸開源 LVLM 的最好效果。為了測試模型的多模態對話能力，通義千問團隊構建了一套基于 GPT-4 打分機制的測試集“試金石”，對 Qwen-VL-Chat 及其他模型進行對比測試，Qwen-VL-Chat 在中英文的對齊評測中均取得了開源 LVLM 最好結果。

目前，Qwen-VL 及其視覺 AI 助手 Qwen-VL-Chat 均已上線 ModelScope 魔搭社區，開源、免費、可商用。用戶可從魔搭社區直接下載模型，也可通過阿里云靈積平臺訪問調用 Qwen-VL 和 Qwen-VL-Chat，阿里云為用戶提供包括模型訓練、推理、部署、精調等在內的全方位服務。

大模型發展的下一站：多模態大模型

多模態大模型是指能夠理解文字、圖像、視頻、音頻等多種模態信息的大模型，與僅能理解單一文本模態的語言模型相比，多模態大模型的優勢就在于可以充分利用語言模型的指令理解能力，來做圖像、語音、視頻等各種模態中的開放域任務，從而具備處理不同模態信息的通用能力。而單一模態大模型的任務形式通常都是預先定義好的，比如圖像 / 視頻 / 語音分類任務，需要提前知道這些類別，然后針對性的找訓練數據去訓練模型。

有觀點認為，多模態是預訓練大模型最重要的技術演進方向之一。

業界普遍認為，從單一感官的、僅支持文本輸入的語言模型，到“五官全開”的，支持文本、圖像、音頻等多種信息輸入的多模態模型，蘊含著大模型智能躍升的巨大可能。多模態能夠提升大模型對世界的理解程度，充分拓展大模型的使用場景。比如，以 GPT-4、PaLM-E 為代表的一批模型，通過賦予大語言模型感知、理解視覺信號的能力，展現出大規模視覺語言模型在解決以視覺為中心的實際問題的前景，并顯示出進一步拓展到具身智能、通向通用人工智能的廣闊前景。

其中，視覺作為人類的第一感官能力，也是研究者首先希望賦予大模型的多模態能力。因此，繼此前推出 M6、OFA 系列多模態模型之后，阿里云通義千問團隊又開源了基于 Qwen-7B 的大規模視覺語言模型 Qwen-VL。

不過，多模態大模型的開發并非易事，白金澤表示，多模態大模型的開發難度包括但不限于以下幾點：

模態間表征差異大：大規模純語言模型的輸入輸出一般是離散表征，而圖像、語音等內容通常是連續表征，其模態間的信息密度、表征空間、輸入輸出方式等都存在巨大差異，這導致了設計的復雜性。

多模態大模型收斂不穩定：由于模態間表征差異大、各模態網絡異構等因素，相比純文本大模型，多模態大模型的訓練具有更多的挑戰，更有可能出現訓練不穩定的情況。

缺乏穩定開源框架支持：目前常見的開源大模型訓練框架，都只對純語言模型的訓練效率進行了極致的優化。為了處理多模態輸入輸出，多模態模型通常有非對稱的網絡結構，導致無法直接用常見開源訓練框架擴展到超大參數量。通義千問團隊對多模態的并行訓練框架進行了多重優化，可穩定訓練更大規模的多模態模型。

“多模態是我們很看好的技術方向，這個領域還有很多技術難題有待解決，未來我們也會持續研究。就 Qwen-VL 來說，接下來的工作包括支持更高分辨率的圖像輸入，無監督地從圖像中學習更多的世界知識，擴展更多模態，加深對多模態數據的理解，等等。”白金澤說道。