百度开源 Qianfan-VL: 领域增强的通用视觉语言模型 - 详解

news/2025/10/10 10:13:40/文章来源:https://www.cnblogs.com/wzzkaifa/p/19132454

通过持续预训练增强领域能力 | 参数量级30亿至700亿 | 文档理解与OCR增强 | 支持思维链推理

快速链接

模型描述

千帆-VL是一系列专为企业级多模态应用优化的通用多模态大语言模型。该系列模型在保持强大通用能力的同时,针对工业部署中的高频场景进行了深度优化。

模型变体

模型参数量上下文长度思维链支持最佳适用场景
Qianfan-VL-3B3B32k边缘部署,实时光学字符识别
Qianfan-VL-8B8B32k服务器端通用场景,微调
Qianfan-VL-70B70B32k复杂推理,数据合成

架构

  • 语言模型
    • 千帆-VL-3B:基于Qwen2.5-3B
    • 千帆-VL-8B/70B:基于Llama 3.1架构
    • 通过3T多语料库增强
  • 视觉编码器:基于InternViT,支持动态分块高达4K分辨率
  • 跨模态融合:MLP适配器实现高效的视觉语言桥接

核心能力

OCR与文档理解

思维链推理(8B & 70B)

  • 复杂图表分析与推理
  • 数学问题分步求解
  • 视觉推理与逻辑推断
  • 统计计算与趋势预测

基准测试表现

通用视觉语言基准
BenchmarkQianfan-VL-3BQianfan-VL-8BQianfan-VL-70BInternVL-3-8BInternVL-3-78BQwen2.5-VL-7BQwen2.5-VL-72B
A-Bench_VAL75.6575.7278.175.8675.8676.4979.22
CCBench66.8670.3980.9877.8470.7857.6573.73
SEEDBench_IMG76.5578.0279.1377.077.5276.9878.34
SEEDBench2_Plus67.5970.9773.1769.5268.4770.9373.25
MMVet48.1753.2167.3480.2878.970.6475.69
MMMU_VAL46.4447.1158.3356.1160.7851.065.78
ScienceQA_TEST95.1997.6298.7697.9797.1785.4792.51
ScienceQA_VAL93.8597.6298.8197.8195.1483.5991.32
MMT-Bench_VAL62.2363.2271.0665.1763.6761.469.49
MTVQA_TEST26.530.1432.1830.327.6229.0831.48
BLINK49.9756.8159.4455.8751.8754.5563.02
MMStar57.9364.0769.4768.466.0761.5366.0
RealWorldQA65.7570.5971.6371.1174.2569.2873.86
Q-Bench1_VAL73.5175.2577.4675.9977.9978.179.93
POPE85.0886.0688.9790.5988.8785.9783.35
RefCOCO (Avg)85.9489.3791.0189.6591.4086.5690.25
OCR和文档理解
BenchmarkQianfan-VL-3BQianfan-VL-8BQianfan-VL-70BInternVL-3-8BInternVL-3-78BQwen2.5-VL-3BQwen2.5-VL-7BQwen2.5-VL-72B
OCRBench831854873881847810883874
AI2D_TEST81.3885.0787.2385.0783.5577.0780.47283.84
OCRVQA_TEST66.1568.9874.0639.0335.5869.2471.0266.8
TextVQA_VAL80.1182.1384.4882.1583.5279.0984.96283.26
DocVQA_VAL90.8593.5494.7592.0483.8292.7194.9195.75
ChartQA_TEST81.7987.7289.685.7682.0483.486.6887.16
数学推理
BenchmarkQianfan-VL-8BQianfan-VL-70BInternVL-3-8BInternVL-3-78BQwen2.5-VL-7BQwen2.5-VL-72B
Mathvista-mini69.1978.669.570.167.273.9
Mathvision32.8250.2929.6134.825.9539.34
Mathverse48.461.0443.6849.2644.2155.18
ChartQA Pro50.435237.3244.4343.7345.3
HallusionBench51.7254.5249.240.247.949.9
InHouse Dataset A59.8771.7840.6441.4745.5857.2
InHouse Dataset B61.3375.636.2542.6530.6259.68

快速开始

安装

pip install transformers accelerate torch torchvision pillow einops

使用 Transformers

import torch
import torchvision.transforms as T
from torchvision.transforms.functional import InterpolationMode
from transformers import AutoModel, AutoTokenizer
from PIL import Image
IMAGENET_MEAN = (0.485, 0.456, 0.406)
IMAGENET_STD = (0.229, 0.224, 0.225)
def build_transform(input_size):
MEAN, STD = IMAGENET_MEAN, IMAGENET_STD
transform = T.Compose([
T.Lambda(lambda img: img.convert('RGB') if img.mode != 'RGB' else img),
T.Resize((input_size, input_size), interpolation=InterpolationMode.BICUBIC),
T.ToTensor(),
T.Normalize(mean=MEAN, std=STD)
])
return transform
def find_closest_aspect_ratio(aspect_ratio, target_ratios, width, height, image_size):
best_ratio_diff = float('inf')
best_ratio = (1, 1)
area = width * height
for ratio in target_ratios:
target_aspect_ratio = ratio[0] / ratio[1]
ratio_diff = abs(aspect_ratio - target_aspect_ratio)
if ratio_diff < best_ratio_diff:
best_ratio_diff = ratio_diff
best_ratio = ratio
elif ratio_diff == best_ratio_diff:
if area >
0.5 * image_size * image_size * ratio[0] * ratio[1]:
best_ratio = ratio
return best_ratio
def dynamic_preprocess(image, min_num=1, max_num=12, image_size=448, use_thumbnail=False):
orig_width, orig_height = image.size
aspect_ratio = orig_width / orig_height
# calculate the existing image aspect ratio
target_ratios = set(
(i, j) for n in range(min_num, max_num + 1) for i in range(1, n + 1) for j in range(1, n + 1) if
i * j <= max_num and i * j >= min_num)target_ratios = sorted(target_ratios, key=lambda x: x[0] * x[1])# find the closest aspect ratio to the targettarget_aspect_ratio = find_closest_aspect_ratio(aspect_ratio, target_ratios, orig_width, orig_height, image_size)# calculate the target width and heighttarget_width = image_size * target_aspect_ratio[0]target_height = image_size * target_aspect_ratio[1]blocks = target_aspect_ratio[0] * target_aspect_ratio[1]# resize the imageresized_img = image.resize((target_width, target_height))processed_images = []for i in range(blocks):box = ((i % (target_width // image_size)) * image_size,(i // (target_width // image_size)) * image_size,((i % (target_width // image_size)) + 1) * image_size,((i // (target_width // image_size)) + 1) * image_size)# split the imagesplit_img = resized_img.crop(box)processed_images.append(split_img)assert len(processed_images) == blocksif use_thumbnail and len(processed_images) != 1:thumbnail_img = image.resize((image_size, image_size))processed_images.append(thumbnail_img)return processed_imagesdef load_image(image_file, input_size=448, max_num=12):image = Image.open(image_file).convert('RGB')transform = build_transform(input_size=input_size)images = dynamic_preprocess(image, image_size=input_size, use_thumbnail=True, max_num=max_num)pixel_values = [transform(image) for image in images]pixel_values = torch.stack(pixel_values)return pixel_values# Load modelMODEL_PATH = "baidu/Qianfan-VL-8B" # or Qianfan-VL-3B, Qianfan-VL-70Bmodel = AutoModel.from_pretrained(MODEL_PATH,torch_dtype=torch.bfloat16,trust_remote_code=True,device_map="auto").eval()tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, trust_remote_code=True)# Load and process imagepixel_values = load_image("./example/scene_ocr.png").to(torch.bfloat16)# Inferenceprompt = "<image>请识别图中所有文字"with torch.no_grad():response = model.chat(tokenizer,pixel_values=pixel_values,question=prompt,generation_config={"max_new_tokens": 512},verbose=False)print(response)

使用vLLM

您可以通过vLLM官方Docker镜像部署千帆VL,实现高性能推理并兼容OpenAI API:

启动vLLM服务
docker run -d --name qianfan-vl \
--gpus all \
-v /path/to/Qianfan-VL-8B:/model \
-p 8000:8000 \
--ipc=host \
vllm/vllm-openai:latest \
--model /model \
--served-model-name qianfan-vl \
--trust-remote-code \
--hf-overrides '{"architectures":["InternVLChatModel"],"model_type":"internvl_chat"}'
调用API
curl 'http://127.0.0.1:8000/v1/chat/completions' \
--header 'Content-Type: application/json' \
--data '{
"model": "qianfan-vl",
"messages": [
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": "https://qianfan-public-demo.bj.bcebos.com/qianfan-vl/2509/images/scene_ocr.png"
}
},
{
"type": "text",
"text": "<image>请识别图中所有文字"}]}]}'

或者使用Python和OpenAI SDK:

from openai import OpenAI
client = OpenAI(
api_key="EMPTY",
base_url="http://127.0.0.1:8000/v1"
)
response = client.chat.completions.create(
model="qianfan-vl",
messages=[
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": "https://qianfan-public-demo.bj.bcebos.com/qianfan-vl/2509/images/scene_ocr.png"
}
},
{
"type": "text",
"text": "<image>请描述这张图片"}]}],max_tokens=512)print(response.choices[0].message.content)

训练详情

四阶段渐进式训练

  1. 跨模态对齐(1000亿token):建立视觉-语言关联
  2. 通用知识注入(3.5万亿token):构建强大基础能力
  3. 领域增强(3000亿token):专项OCR与推理能力
  4. 训练后优化(10亿token):指令跟随与偏好对齐

基础设施

  • 基于5000+块百度昆仑芯片训练
  • 单任务并行训练规模达5000芯片,创行业新纪录
  • 超90%的大规模分布式训练扩展效率
  • 创新的通信-计算融合技术

模型卡片

引用

如研究中使用千帆-VL模型,请引用:

@misc{qianfan-vl-2025,
title={千帆-VL:领域增强型通用视觉语言模型},
author={千帆团队},
year={2025},
publisher={百度}
}

联系我们

访问百度千帆平台获取更多信息与API接入

致谢

本模型系列通过通用能力与领域增强的结合推动多模态AI重大突破,切实赋能产业应用。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/934002.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

仓储ERP系统如何部署?

仓储ERP系统如何部署?分析不同行业企业的仓储管理实践可以发现,库存作业的复杂性远超传统账目记录范畴。数据显示,超过半数的制造与流通企业在盘点差异中,有近三成源于操作与系统记录的时间差或路径偏差。部分企业…

基于MATLAB的二阶同步挤压小波变换(WSST2)实现

function [Tfr, t, f] = wsst2(signal, fs, wavelet, scales) % 二阶同步挤压小波变换(WSST2)MATLAB实现 % 输入参数: % signal: 输入信号(一维向量) % fs: 采样频率(Hz) % wavelet: 小波基函数(morl,amor,db4…

2025 年聚丙烯酰胺厂商最新推荐排行榜:聚焦优质企业,助力企业精准选购环保水处理耗材PAM/沉淀剂/脱泥药剂/阴离子/阳离子聚丙烯酰胺厂商推荐

随着环保政策不断收紧,各行业对废水、废气处理的要求愈发严格,聚丙烯酰胺作为关键环保水处理耗材,市场需求持续攀升。但当前市场上供应商数量繁杂,产品质量、技术水平与服务能力差异显著,部分企业存在产品性能不稳…

电商-数据库分库分表方案 - 努力-

电商-数据库分库分表方案数据库分库分表方案一、 什么是分库分表1.1 当前遇到的问题随着订单数据的增加,当MySQL单表存储数据达到一定量时其存储及查询性能会下降,在阿里的《Java 开发手册》中提到MySQL单表行数超过…

VMware 17.6 虚拟机 永久免费版安装包下载及安装教程!

一、VMware17.6下载 1.官方正版VMware下载链接下载链接https://pan.quark.cn/s/6827b0764042 二、VMware17.6软件介绍 VMware Workstation是一款强大的桌面级虚拟化软件,它允许用户在单台物理计算机上同时运行多个相互…

Tmux中向上翻屏查找命令输出(KIMI)

Tmux中向上翻屏查找命令输出(KIMI)本文内容来自和AI大模型KIMI的对话,仅供参考。User: 我在Linux的tmux中执行终端命令,执行完成后我又运行了其他命令,如何能找到之前命令的输出结果?我在tmux中无法向上翻。 Kim…

CAD 多个dwg文件合成一张图(无需插件)

CAD 多个dwg文件合成一张图(无需插件)背景: 委托方只给了很多瓦片式的dwg文件,工作需要合成一张总图。问题: 详图如何合成总图。 思路: 利用CAD【外部参照】导入全部图形,再导出为一个图形。 环境: CAD 2008 方…

2025 年光伏灌注桩厂家推荐:天津宏图新能源发展设备优势与全程服务体系解析

随着全球对可再生能源的重视程度不断提升,光伏产业作为清洁能源领域的重要支柱,迎来了快速发展期。光伏电站建设在各地稳步推进,而光伏灌注桩作为电站基础建设的关键部件,其质量稳定性、供应及时性直接关系到光伏电…

鸿蒙应用开发从入门到实战(十八):组件编程思想之代码复用

ArkUI提供了丰富的系统组件,用于制作鸿蒙原生应用APP的UI,在制作UI时会经常遇到代码或样式重复问题,本文通过ArkUI提供的适配器实现代码复用。大家好,我是潘Sir,持续分享IT技术,帮你少走弯路。《鸿蒙应用开发从入…

Gerkin+Pytest(python)建立自动化(BDD)

Gerkin+Pytest(python)建立自动化(BDD)pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "…

arm环境vg损坏mysql数据库恢复---惜分飞

arm环境vg损坏mysql数据库恢复---惜分飞联系:手机/微信(+86 17813235971) QQ(107644445) 标题:arm环境vg损坏mysql数据库恢复 作者:惜分飞©版权所有[未经本人同意,不得以任何形式转载,否则有进一步追究法律责任…

2025 年国内连接器厂商最新推荐排行榜:聚焦 Type-C / 板对板等核心品类,精选优质企业助力下游选型针座/板对板/卡座/FPC/排针连接器厂家推荐

当前电子产业加速升级,连接器作为设备信号与电力传输的核心部件,其品质直接决定终端产品稳定性与用户体验。但市场上品牌数量繁杂,部分厂商为压缩成本简化品控,导致产品频繁出现接触不良、抗干扰能力差等问题,不仅…

Linux设置分辨率(临时)

Linux设置分辨率(临时)xrandr 查看命令输出,当前正在使用的分辨率旁会有一个星号(*)标记,当前连接且启用的显示器旁会标记为 "connected" 并显示其分辨率。例如,在 HDMI-0 connected primary 1920x1080…

git克隆代码保留提交记录,从源仓库迁移到新仓库地址

git克隆代码保留提交记录,从源仓库迁移到新仓库地址在 Git 中迁移代码并保留完整的提交历史记录,可以通过以下几种方法实现,具体选择取决于源仓库和目标仓库的访问权限、是否需要重写历史(如修改提交信息或作者信息…

MySQL从入门到熟练查询

MySQL 作为世界上最流行的开源关系型数据库,是我们每一位码农、数据分析师乃至产品经理都应掌握的核心工具。它以其高性能、高可靠性和易用性而闻名。掌握其基础知识,是通往后端开发、数据科学等领域的必经之路。 我…

MySQL笔记8 - 指南

MySQL笔记8 - 指南2025-10-10 09:12 tlnshuju 阅读(0) 评论(0) 收藏 举报pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-fam…

Elasticsearch 备份:方案篇

在 Elasticsearch 集群的日常运维中,制定完善的数据备份与恢复策略是保障业务连续性和数据安全的基石。在本文中,我们将探讨 ES 各类备份方案的实现逻辑,对比各自方案的优劣势,归纳它们适合的场景1. 为什么要备份 …

Atcoder Beginner Contest 422

ABC422A 按照题意输出即可。 /*********************************************************************程序名:作者: xAlec日期: 2025-10-01 15:45说明: sakana ~ *************************************************…

【Android】解决安卓在隐藏强大的系统栏后usb鼠标被隐藏的疑问

pre { white-space: pre !important; word-wrap: normal !important; overflow-x: auto !important; display: block !important; font-family: "Consolas", "Monaco", "Courier New", …