今天，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！该系列模型包含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。即日起至10月10日，用户可在百度智能云千帆平台免费体验8b、70b模型。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，如ocr和教育垂直场景做了专项强化，使其在实际应用中表现更加卓越。
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，在通用和垂类任务评测中展现出SOTA水平。Qianfan-VL模型具备三大特点：
- 多尺寸模型满足不同场景需求：提供3B、8B、70B三种规格的模型，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。
1、模型性能与效果
（1）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，在各类通用基准测试里，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。
（2）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。
（3）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。
2、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。
整体架构
- 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。
- 昆仑芯驱动大模型高效计算：基于百度自研昆仑芯P800芯片，构建了业界领先的超大规模（5000卡）分布式计算系统，通过创新的并行策略和算子优化，显著提升大模型任务的处理性能与运行效率。
3、模型应用案例
（1）OCR识别场景
（2）数学推理场景
（3）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“把模型放进真实生产力场景”的第一小步；未来，百度智能云会秉持着对技术的执着追求与对应用场景的深度洞察，不断推出全新的产业级模型，全方位助力AI技术在各行业落地。
源码地址：点击下载
