🧿 | 20年电测设备研发制造专家 | 全球自动化测试解决方案领航者

【导语】9月22日，百度智能云千帆正式推出并全面开源全新视觉理解模型Qianfan-VL，含3B、8B、70B三个版本，针对企业级多模态场景深度优化，具备多尺寸适配、思考推理及OCR与文档理解等强大能力，在多项基准测试中表现优异，将助力AI技术在各行业落地。

　　9月 22 日消息，百度智能云千帆正式推出全新视觉理解模型 ——Qianfan-VL，并全面开源。该系列包含 3B、8B 和 70B 三个尺寸版本，是面向企业级多模态应用场景，进行了深度优化的视觉理解大模型。官方称，Qianfan-VL 不仅具备出色的基础通用能力，还针对产业落地中的高频需求，如 OCR 和教育垂直场(chǎng)景(jǐng)做(zuò)了(le)专(zhuān)项(xiàng)强(qiáng)化(huà)，使(shǐ)其(qí)在(zài)实(shí)际(jì)应(yīng)用(yòng)中(zhōng)表(biǎo)现(xiàn)更(gèng)加(jiā)卓(zhuō)越(yuè)。

　　Qianfan-VL 现(xiàn)已(yǐ)开(kāi)源(yuán)，即(jí)日(rì)起(qǐ)至(zhì) 10 月(yuè) 10 日(rì)，企(qǐ)业(yè)用(yòng)户(hù)和(hé)开(kāi)发(fā)者(zhě)可(kě)在(zài)百(bǎi)度(dù)智(zhì)能(néng)云(yún)千(qiān)帆(fān)平(píng)台(tái)免(miǎn)费(fèi)体(tǐ)验(yàn) 8B、70B 模(mó)型(xíng)。

　　附(fù)模(mó)型(xíng)官(guān)方(fāng)介绍如下：

　　Qianfan-VL 系列模型是由百度智(zhì)能(néng)云(yún)千(qiān)帆(fān)模(mó)型(xíng)研(yán)发(fā)团(tuán)队(duì)，基(jī)于(yú)开(kāi)源(yuán)模(mó)型(xíng)进(jìn)行开发(fā)，并(bìng)在(zài)百(bǎi)度(dù)自(zì)研(yán)昆(kūn)仑(lún)芯(xīn) P800 上(shàng)完(wán)成(chéng)全流(liú)程(chéng)计(jì)算(suàn)任(rèn)务(wu)。昆(kūn)仑(lún)芯(xīn) P800 提(tí)供(gōng)了(le)强(qiáng)大(dà)的(de)算(suàn)力(lì)支(zhī)撑(chēng)，确(què)保模型能够高效处理海量数据与复杂算法，同时支持单任务 5000 卡规模的并行计算。这一结合不仅优化了模型计算的效率，更使得模型在性能表现上达到了新的高度，在通用和垂类任务评测中展现出 SOTA 水平。Qianfan-VL 模型具备三大特点：

　　● 多尺寸模型满足不同场景需求：提供 3B、8B、70B 三种规格的模型，让不同规模的企业和开发者都能找到合适的解决方案。

　　● 提供思考推理能力：8B 和 70B 模型支持通过特殊 token 激活思维链能力，覆盖复杂图表理解、视觉推理、数学解题等多种场景。

　　● OCR 与文档理解能力增强：主打 OCR 全场景识别和复杂版面文档理解两大特色能力，在多项基准测试中表现优异，为企业级应用提供高精度的视觉理解解决方案。

　　模型性能与效果

　　>> 通用能力基准测试表现

　　在通用能力基准测试中，Qianfan-VL 系列模型（3B、8B、70B）展现出显著核心优势。从视觉理解到专业领域问答，模型性能随参数规模增大提升显著，体现出很好的 Scaling 趋势。在 ScienceQA 等专业问答测试中，精准度表现突出；多模态任务如 RefCOCO 等，物体识别与关联能力优异；同时，在各类通用基准测试里，相较主流模型，整体表现也颇为亮眼，充分彰显出在视觉理解通用能力上的出色实力，为不同场景下的智能应用提供了有力支撑。

　　>>OCR 与文档理解基准测试表现

　　Qianfan-VL 系列模型（3B、8B、70B）在 OCR 与文档理解领域尽显卓越实力。一方面，具备 OCR 全场景识别能力，能精准识别手写体、数学公式、自然场景文字，还可对卡证票据信息进行结构化提取；另一方面，复杂版面文档理解能力突出，可自动分析版面元素，精准解析表格、图表，实现文档智能问答与结构化解析。从基准测试表现看，在 OCRBench、各类专业测试中，相较于主流(liú)模(mó)型，成绩优异且随参数规模提升持续向好，为企业级应用提供了高精度的视觉理解解决方案，有力推动文档智能处理场景的高效落地。

　　>> 数学解题基(jī)准(zhǔn)测(cè)试(shì)表(biǎo)现(xiàn)

　　Qianfan-VL 系(xì)列(liè)的(de) 8B 和(hé) 70B 模(mó)型(xíng)，在(zài)思(sī)考(kǎo)推(tuī)理(lǐ)能(néng)力(lì)方(fāng)面(miàn)表(biǎo)现(xiàn)卓(zhuō)越(yuè)。它(tā)们(men)支(zhī)持(chí)通(tōng)过(guò)特(tè)殊(shū) token 激活思维链能力，能覆盖复杂图表理解、视觉推理、数学解题等多类场景。这类任务需结合视觉信息与外部知识进行组合推理，而模型通过融合大量视觉类、文本类推理数据并用于后训练，从 benchmark 表现来看，推理计算相关任务效果显著提升。

　　在核心推理应用场景上，复杂图表理解与推理方面，可从复杂图表提取关键信息，进行数据(jù)分(fēn)析(xī)、趋(qū)势(shì)预(yù)测(cè)、关联(lián)推(tuī)理(lǐ)及(jí)统(tǒng)计(jì)计(jì)算(suàn)；数(shù)学(xué)解(jiě)题(tí)与(yǔ)视觉推理领域，能实现几何推理、公式识别、分步求解与逻辑推断。从数学解题基准测试表现看，在 MathVista-mini、MathVision 等多项测试中，相较于主流模型，成绩优异且随参数规模提升持续向好，为复杂推理场景下的应用提供了强力支持。

　　模型架构设计与技术特色

　　Qianfan-VL 通过先进的多模态架构设计，凭借持续预训练和三大技术创新，实现了领域增强的通用视觉-语言能力。

　　● 能力增强训练方案：创新的四阶段训练策略，在保持通用能力基础上实现领域能力显著提升。

　　● 高精度数据合成管线：构建面向多模态任务的大规模数据合成管线，涵盖文档识别、数学解题、图表理解、表格识别、公式识别、自然场景 OCR 等核心任务，通过精细化的管线设计和中间过程数据构造，实现高质量训练数据的规模化生产。

　　● 昆仑芯驱动大模型高效计算：基于百度自研昆仑芯 P800 芯片，构建了业界领先的超大规模（5000 卡）分布式计算系统，通(tōng)过(guò)创(chuàng)新(xīn)的(de)并(bìng)行(xíng)策(cè)略(è)和(hé)算(suàn)子(zi)优(yōu)化(huà)，显(xiǎn)著(zhe)提(tí)升(shēng)大(dà)模(mó)型(xíng)任(rèn)务(wu)的(de)处(chù)理(lǐ)性(xìng)能(néng)与(yǔ)运(yùn)行(xíng)效(xiào)率(lǜ)。

　　模(mó)型(xíng)应用案例

　　>>OCR 识别场景

　　>> 文档理解场景

　　除上述场景应用案例外，Qianfan-VL 同样可应用在图表分析、视频理解等场景中，均呈现出卓越的模型效果。

　　Qianfan-VL 系列模型的开源，对百度智能云千帆来说，更像是“把模型放进真实生产力场景”的一小步；未来，百度智能云将秉持对技术的执着追求与对应用场景的深度洞察，不断推出全新的产业级模型，全方位助力 AI 技术在各行业落地。