1. Qwen-VL简介

1.1. 介绍

Qwen-VL的多语言视觉语言模型系列，基于Qwen-7B语言模型。该模型通过视觉编码器和位置感知的视觉语言适配器，赋予语言模型视觉理解能力。

Qwen-VL采用了三阶段的训练流程，并在多个视觉语言理解基准测试中取得了领先的成绩。该模型支持多语言、多图像输入，具备细粒度的视觉理解能力。

另外，通过指令调优，生成了交互式的Qwen-VL-Chat模型，在现实世界用户行为的评估中展现出了优异的表现。总体而言，Qwen-VL系列模型在视觉语言理解任务上取得了显著的成果，并在开源社区中具有领先的地位。

1.2. 榜单排名情况（更新24 年3 月）

1.3. 主要特性

1. Leading performance：在广泛的视觉理解基准测试中，Qwen-VLs取得了top-tier的准确率，相比参数量相近的模型具有明显优势。这种优越性能不仅覆盖了传统基准测试（如图像描述、问题回答、定位等），还包括一些最近引入的对话基准测试。
2. Multi-lingualÿ