MODEL

Qwen-VL

Qwen-VL 是阿里云发布的视觉语言模型，可接收图像和文本输入并输出文本或以文本编码的边界框，支持图像描述、视觉问答、文档文字理解和目标定位。

发布日期：

2023-08-22

参数量：

未公开

架构：

以 Qwen-7B 为语言模型骨干、OpenCLIP ViT-bigG 为视觉编码器，并通过交叉注意力层连接视觉与语言表示。

输入输出：

文本 + 图像 → 文本

交互方式：

普通请求

开放方式：

开源

组织：

Alibaba Cloud