模型
Qwen-VL
Qwen-VL是阿里巴巴研发的视觉语言大模型，属于通义千问（Qwen）系列的多模态分支。该模型能够同时理解图像与文本输入，支持图文问答、视觉推理、图像描述生成、文档理解及GUI交互等多种任务，具备较强的中英文双语视觉理解能力，可应用于智能助手、自动化代理等场景。
时间轴 (近 90 天)
6月1日
开源多模态模型包括LLaVA、MiniCPM-V、InternVL、Qwen-VL等
待验证60%
6月1日
项目收录了GPT-4V、Gemini、LLaVA、Qwen-VL等模型的相关论文、教程和实践指南
待验证80%
6月1日
Qwen-VL和InternVL分别来自阿里和上海AI Lab，代表国内多模态领域的前沿水平
待验证90%
6月1日
开源多模态模型LLaVA、InternVL、Qwen-VL通常采用'视觉编码器+投影层+语言模型'的架构
已验证70%
6月1日
Transformers框架支持的文本模型包括GPT、BERT、LLaMA、T5等，视觉模型包括ViT、CLIP、Stable Diffusion等，音频模型包括Whisper、Wav2Vec等，多模态模型包括LLaVA、Qwen-VL等
待验证95%
6月1日
阿里的Qwen-VL和智谱的CogVLM/GLM-4V是中文领域代表性的多模态模型
待验证90%
6月1日
Kortix的Agent Computer Use将Computer Use能力从特定模型中解耦，开发者可自由选择底层AI模型（如Claude、GPT、LLaVA、Qwen-VL等）
待验证90%
6月1日
LLaVA、InternVL、Qwen-VL等开源视觉语言模型在多项基准测试中已接近甚至超越部分闭源模型的表现
待验证70%
6月1日
千问视觉模型（Qwen-VL系列）是阿里云通义团队推出的多模态大模型，能够同时理解文本和图像输入
已验证70%