多模態大模型，阿里通義千問能和GPT-4V掰手腕了

AIGC動態1年前 (2024)發布機器之心

AIGC動態歡迎閱讀

原標題：多模態大模型，阿里通義千問能和GPT-4V掰手腕了
關鍵字：模型,能力,阿里,圖像,視覺
文章來源：機器之心
內容字數：7009字

內容摘要：

機器之心報道
編輯：澤南、蛋醬通義千問的圖像推理能力，最近有了大幅提升。
2024 年，大模型領域要卷什么？
如果沒有思路的話，不妨看看各家大廠都在押注什么方向。
最近一段時間，先是 OpenAI 推出 GPT-4V，讓大模型擁有了前所未有的圖像語義理解能力。谷歌隨后跟上，發布的 Gemini 成為了業界第一個原生的多模態大模型，它可以泛化并無縫地理解、操作和組合不同類型的信息，包括文本、代碼、音頻、圖像和視頻。很明顯，新的方向就是多模態。繼 GPT-4 在語言方向的里程碑式突破之后，業界普遍認為「視覺」是下一個爆發的賽道。畢竟人類的五感之中有 80% 是視覺信息，未來的大模型也應該充分利用更多種類的感官，以此探索實現 AGI 的路徑。
不只有 GPT-4V、Gemini，在這個充滿潛力的方向上，國內的技術力量同樣值得關注：最近的一個重要發布就來自阿里，他們新升級的通義千問視覺語言大模型 Qwen-VL-Max 在上周正式發布，在多個測評基準上取得了好成績，并實現了強大的圖像理解的能力。
我們還記得 Gemini 發布之后，谷歌馬上被曝出給 Demo 加速。這讓人們對新技術產生了一些質

原文鏈接：多模態大模型，阿里通義千問能和GPT-4V掰手腕了