千问系列1 -- Qwen-VL

论文：Qwen-VL: A Versatile Vision-Language Model for Understanding, Localization, Text Reading, and Beyond

Qwen-VL 是基于千问大语言模型训练的多模态大模型，其在多种任务上（如OCR、VQA、Caption等）表现都优于同尺寸模型，并且支持多语言、多图片理解，此外对于细粒度视觉理解表现也是极其优秀

1. Methodology

1.1 模型结构

整体由三部分组成
（1）大语言模型：采用了Qwen-7B，并由预训练权重进行初始化
（2）视觉编码器：采用了ViT架构，并通过 Open