百度智能云开源视觉理解模型 Qianfan-VL

东苑

今天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 和教育垂直场景做了专项强化，使其在实际应用中表现更加卓越。

Qianfan-VL 现已开源，即日起至 10 月 10 日，企业用户和开发者可在百度智能云千帆平台免费体验 8B、70B 模型。

IT之家附模型官方介绍如下：

Qianfan-VL 系列模型是由百度智能云千帆模型研发团队，基于开源模型进行开发，并在百度自研昆仑芯 P800 上完成全流程计算任务。昆仑芯 P800 提供了强大的算力支撑，确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，相较于主流模型，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。

k88ls06

膜拜神贴，后面的请保持队形~

com2

感谢楼主分享！

wing6

感谢分享新闻资讯

yzszh64

谢谢分享。

jnpiero

不错不错，支持一下！