Alibaba Cloudは、画像とテキストの両方を理解する2つのオープンソースの大規模ビジョン言語モデルをリリースした。これらのモデル、Qwen-VLおよびQwen-VL-Chatは、Alibaba CloudのAIモデルコミュニティーModelScopeおよび共同AIプラットフォームHugging Faceでアクセスできる。英語と中国語にも拡張されており、画像に基づいて質問に答えたり、画像のキャプションを生成したりできる。Qwen-VL-Chatは、数学的な計算や複数の画像を使用したスト​​ーリーの作成などの複雑なタスクに取り組む能力で際立っている。Qwen-7Bの70億パラメータバージョンを基盤としたこれらのモデルは、優れた画像理解力を示し、画像の認識と理解の向上につながる。同社によれば、この開発は研究を超えた幅広い意味を持ち、ビジュアルコンテンツとの変革的なインタラクションへの道を提示するという。例えば、これらのモデルはニュース記事のキャプションを生成し、中国人以外の読者が道路標識を解読できるように支援することができる。さらに、これらのモデルを統合することで、視覚障がい者にとってオンライン ショッピングがより包括的なものになり、テクノロジーを通じてアクセシビリティを向上させるAlibabaグループの取り組みと一致する可能性がある。Alibaba Cloudの既存のQwen-7Bモデルは発売から1力月以内に400,000件を超えるダウンロードが行われた。これは、開発者、研究者、営利団体が費用対効果の高い生成AIモデルを構築するのを支援する上で、その有用性を強調している。Qwen-VLとQwen-VL-Chatの導入により、これらの機能がさらに拡張され、AIがビジュアルおよびテキストデータと対話する方法が再構築され、イノベーションの新たな次元が開かれる、としている。