Alibaba Cloud führt Open-Source-Modelle zum Verstehen von Bildern ein

Der chinesische Internetkonzern Alibaba Group Holding Ltd. (NYSE: BABA, ISIN: US01609W1027) gab heute bekannt, mit Large Vision Language Models Bild- und Texteingaben in Englisch und Chinesisch verstehen zu können.

Qwen-VL, ein vortrainiertes großes Bildverarbeitungs-Sprachmodell, und seine auf Konversation abgestimmte Version Qwen-VL-Chat stehen auf der KI-Modell-Community ModelScope von Alibaba Cloud und der KI-Plattform Hugging Face zum Download bereit.

Die beiden Modelle können sowohl Bild- als auch Texteingaben in Englisch und Chinesisch verstehen. Sie sind in der Lage, visuelle Aufgaben zu erfüllen, wie z. B. die Beantwortung offener Fragen auf der Grundlage mehrerer Bilder und die Erstellung von Bildunterschriften.

Qwen-VL-Chat kann anspruchsvollere Aufgaben erfüllen, wie z. B. mathematische Berechnungen durchführen und eine Geschichte auf der Grundlage mehrerer Bilder erstellen.

Die beiden Modelle werden auf der Grundlage des großen Sprachmodells Qwen-7B trainiert, das Alibaba Cloud Anfang dieses Monats veröffentlicht hat.  

Laut Alibaba Cloud kann Qwen-VL im Vergleich zu anderen Open-Source-Sprachmodellen Bilder in höherer Auflösung verstehen.

Das Unternehmen arbeitet an der Entwicklung fortschrittlicher multimodaler Fähigkeiten für seine großen Sprachmodelle, die neben Text auch Bilder und Audiodaten verarbeiten können.