百度智能云千帆平台近日宣布，其自主研发的全新视觉理解大模型Qianfan-VL正式开源，并同步推出3B、8B、70B三个参数规模的版本。该系列模型专为企业级多模态应用场景设计，在基础通用能力的基础上，针对OCR识别、教育垂直领域等高频需求进行了深度优化，旨在为不同规模的企业和开发者提供更高效的视觉理解解决方案。
Qianfan-VL系列模型的开发依托于百度自研的昆仑芯P800芯片，该芯片为模型提供了强大的算力支持，能够高效处理海量数据与复杂算法。模型研发团队基于开源模型进行二次开发，并在昆仑芯P800上完成了全流程计算任务。这一技术组合不仅优化了计算效率，还使模型在通用和垂类任务评测中达到了行业领先水平。
在模型设计上，Qianfan-VL采用了先进的多模态架构，并通过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。其核心训练方案包括创新的四阶段策略，在保持通用能力的同时，显著提升了领域特定任务的表现。团队构建了面向多模态任务的大规模数据合成管线，覆盖文档识别、数学解题、图表理解等核心任务，为模型训练提供了高质量的数据支持。
Qianfan-VL系列模型具有三大显著特点。首先，多尺寸版本设计满足了不同场景的需求，3B、8B、70B三种规格可适配从轻量级到企业级的各类应用。其次，8B和70B模型支持通过特殊token激活思维链能力，能够处理复杂图表理解、视觉推理、数学解题等任务。最后，模型在OCR全场景识别和复杂版面文档理解方面表现突出，可精准识别手写体、数学公式、自然场景文字，并实现文档智能问答与结构化解析。
在性能评测中，Qianfan-VL系列模型展现了卓越的实力。通用能力基准测试显示，随着参数规模的增加，模型在视觉理解、专业领域问答等任务中的表现显著提升，尤其在ScienceQA等专业问答测试中表现突出。在OCR与文档理解领域，模型在OCRBench等基准测试中成绩优异，能够自动分析版面元素，精准解析表格和图表。数学解题方面，8B和70B模型在MathVista-mini、MathVision等测试中表现亮眼，可实现几何推理、公式识别和分步求解。
实际应用案例进一步验证了Qianfan-VL的实用性。在OCR识别场景中，模型可精准提取卡证票据信息并完成结构化处理；在数学推理场景中，能够从复杂图表中提取关键信息并进行数据分析；在文档理解场景中，可自动解析表格和图表，实现智能问答。模型还可应用于图表分析、视频理解等领域，展现出广泛的适应性。
目前，Qianfan-VL系列模型已全面开源。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和70B版本。模型的相关资源包括Blog、GitHub主页、Hugging Face页面以及技术报告，用户可通过登录平台选择Qianfan-VL-8B或70B进行在线测试，或访问GitHub获取详细技术文档。
