Qwen VLo: Alibabin yhtenäinen multimodaalinen ymmärrys- ja generointimalli

Alibaba esittelee Qwen VLo:n, uuden yhtenäisen multimodaalimallin, joka pystyy sekä ymmärtämään että tuottamaan kuvia. Malli on päivitys aiemmasta QwenVL-sarjasta ja yhdistää havaitsemisen ja luomisen. Se käyttää progressiivista generointimenetelmää, jossa kuvia rakennetaan asteittain vasemmalta oikealle ja ylhäältä alas. Qwen VLo tukee tarkkaa sisällön ymmärtämistä, avoimeen ohjeeseen perustuvaa muokkausta (tyylinsiirto, objektin muokkaus, taustan vaihto), monikielisiä ohjeita (kiina ja englanti) sekä dynaamista resoluutiota mielivaltaisilla kuvasuhteilla. Se pystyy myös suorittamaan visuaalisia havaintotehtäviä, kuten syvyyskartan ennustamista, segmentointia ja reunantunnistusta muokkauskomentojen avulla. Malli on esikatseluvaiheessa ja saatavilla Qwen Chatin kautta. Rajoituksia ovat satunnaiset epätarkkuudet ja epäjohdonmukaisuudet.