【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(qiú)，如(rú) OCR 和(hé)教(jiào)育(yù)垂(chuí)直(zhí)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)体验 8B、70B 模型。

　　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(hé)垂(chuí)类(lèi)任(rèn)务(wu)评(píng)测(cè)中(zhōng)展(zhǎn)现(xiàn)出(chū) SOTA 水(shuǐ)平(píng)。Qianfan-VL 模(mó)型(xíng)具(jù)备(bèi)三(sān)大(dà)特(tè)点(diǎn)：

　　● 多(duō)尺(chǐ)寸(cùn)模(mó)型(xíng)满(mǎn)足(zú)不(bù)同(tóng)场(chǎng)景(jǐng)需(xū)求(qiú)：提(tí)供(gōng) 3B、8B、70B 三(sān)种(zhǒng)规(guī)格(gé)的(de)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(zài)各(gè)类(lèi)通(tōng)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。

　　>> 数学解题基准测试表现

　　Qianfan-VL 系列的 8B 和 70B 模型，在思考推理能力方面表现卓越。它们支持通过特殊 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，进行数据分析、趋势预测、关联推理及统计计算；数学解题与视觉推理领域，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(kūn)仑(lún)芯(xīn)驱(qū)动(dòng)大(dà)模(mó)型(xíng)高(gāo)效(xiào)计(jì)算(suàn)：基(jī)于(yú)百(bǎi)度(dù)自(zì)研(yán)昆(kūn)仑(lún)芯(xīn) P800 芯(xīn)片(piàn)，构(gòu)建(jiàn)了(le)业(yè)界(jiè)领(lǐng)先(xiān)的(de)超(chāo)大(dà)规(guī)模(mó)（5000 卡(kǎ)）分(fēn)布(bù)式(shì)计(jì)算(suàn)系(xì)统(tǒng)，通(tōng)过(guò)创(chuàng)新(xīn)的并行策略和算(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(yīng)用(yòng)案(àn)例(lì)

　　>>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(mó)型(xíng)放(fàng)进(jìn)真(zhēn)实(shí)生(shēng)产(chǎn)力(lì)场(chǎng)景(jǐng)”的(de)一(yī)小(xiǎo)步(bù)；未(wèi)来(lái)，百(bǎi)度(dù)智(zhì)能(néng)云(yún)将(jiāng)秉(bǐng)持(chí)对(duì)技(jì)术(shù)的(de)执(zhí)着(zhe)追(zhuī)求(qiú)与(yǔ)对(duì)应(yīng)用(yòng)场(chǎng)景(jǐng)的(de)深(shēn)度(dù)洞(dòng)察(chá)，不(bù)断(duàn)推(tuī)出(chū)全新(xīn)的(de)产(chǎn)业(yè)级(jí)模(mó)型(xíng)，全方(fāng)位助力 AI 技术在各行业落地。