阿里云宣布了多模态大模型研究最新进展，升级通义千问视觉理解模型Qwen-VL，推出了Max版本，升级版模型具有更强的视觉推理能力和中文理解能力。可以根据图片识别人物、回答问题、创作和编写代码，并在多个权威测评中取得了很好的成绩，与OpenAI的GPT-4V和谷歌的Gemini Ultra不相上下。相较于Qwen-VL，Qwen-VL-Plus和Qwen-VL-Max具有更强的视觉推理和中文理解能力，整体性能与GPT-4V和Gemini Ultra相当。在MMMU、MathVista等测评中，它们远远超过了所有开源模型，在文档分析（DocVQA）、中文图像相关（MM-Bench-CN）等任务上甚至超过了GPT-4V，达到了世界领先水平。
地址：
https://github.com/QwenLM/Qwen-VL/blob/master/README_CN.md