百度智能云千帆团队正式发布了全新视觉理解模型——Qianfan-VL，并且全面开源! 这一系列模型包括 3B、8B 和 70B 三种不同尺寸，旨在满足企业级多模态应用的需求，经过深度优化，展现出超强的视觉理解能力。
Qianfan-VL 模型不仅具备优秀的基础能力，还针对行业的高频需求进行了专项提升，比如光学字符识别 （OCR） 和教育场景的应用，使得其在实际使用中表现更加出色。该模型是基于开源模型进行开发，并在百度自研的昆仑芯 P800 上完成了全流程计算，强大的算力支持确保了模型能够高效处理复杂的数据和算法。
这款新模型有三大显著特点。首先，多尺寸选择让不同规模的企业和开发者都能找到合适的解决方案，3B、8B 和 70B 三种规格可满足各种应用需求。其次，8B 和 70B 模型具备思考推理能力，通过特殊 token 激活，能够处理复杂图表理解、视觉推理和数学解题等多种任务。最后，在 OCR 和文档理解方面表现优异，不仅可以精准识别手写体和复杂版面，还能进行信息的结构化提取。
在基准测试中，Qianfan-VL 系列模型展现了出色的通用能力和特定任务的优秀表现。无论是视觉理解，还是专业领域的问答，这款模型在各项测试中都显示出了令人印象深刻的精确度和表现。尤其是在 OCR 与文档理解领域，其全场景识别能力和复杂文档分析能力，为企业级应用提供了高精度的解决方案。
此外，Qianfan-VL 的数学解题能力也值得一提，8B 和 70B 模型在处理复杂的推理任务时，结合视觉信息与外部知识展现出优越的性能。在实际应用场景中，它能够提取关键信息并进行数据分析，助力企业进行智能决策。
Qianfan-VL 的推出标志着百度在视觉理解领域的一次重大突破，期待其在各行业的落地应用将引发新的浪潮。
官方介绍：https://baidubce.github.io/Qianfan-VL/
项目地址：https://github.com/baidubce/Qianfan-VL
