阿里云公布了多模态大模型的最新研究成果，继Plus版本之后，再次推出Max版本。
Qwen-VL-Max模型在视觉推理方面展现出卓越的能力，可以理解并分析复杂的图片信息，包括识人、答题、创作和写代码等任务。此外，该模型还具备视觉定位功能，可根据画面指定区域进行问答。
在基础能力方面，Qwen-VL-Max能够准确描述和识别图片信息，并根据图片进行信息推理和扩展创作。这一特性使得该模型在多个权威测评中表现出色，整体性能堪比GPT-4V和Gemini Ultra。
在文档分析（DocVQA）、中文图像相关(MM-Bench-CN)等任务上，Qwen-VL-Max同样超越了GPT-4V，达到了世界最佳水平。
此外，Qwen-VL-Max在图像文本处理方面也取得了显著进步，中英文文本识别能力显著提高。该模型支持百万像素以上的高清分辨率图和极端宽高比的图像，不仅能完整复现密集文本，还能从表格和文档中提取信息。
目前，Qwen-VL-Plus和Qwen-VL-Max限时免费向用户开放。用户可以在通义千问官网、通义千问APP直接体验Max版本模型的能力，也可以通过阿里云灵积平台（DashScope）调用模型API。