阿里发布统一多模态理解与生成模型Qwen VLo

阿里推出Qwen VLo，这是一款全新的统一多模态模型，既能理解图像也能生成图像。该模型是此前QwenVL系列（即“千问视觉语言”系列）的升级版本，将感知与创作融为一体。它采用渐进式生成方法，从左到右、从上到下逐步构建图像。Qwen VLo支持精准内容理解、开放式指令编辑（如风格迁移、物体修改、背景变更）、多语言指令（中文和英文），以及动态分辨率与任意宽高比。此外，它还能通过编辑指令执行视觉感知任务，例如深度图预测、分割和边缘检测。该模型处于预览阶段，可通过Qwen Chat（即“千问聊天”）使用。其局限性包括偶尔出现的不准确性和不一致性。