科技日报记者 罗云鹏
10月7日，国际大模型竞技场LMArena发布最新视觉模型榜单，腾讯混元最新视觉模型 Hunyuan-Vision-1.5-Thinking 表现抢眼，取得全球第三，国内第一的成绩。
LMArena第一时间在X上宣布这一消息，并表示：评估具有视觉功能的人工智能模型与文本相比增加了新的复杂性。为了表现良好，模型必须从图像中提取信息，理解这些信息，并将视觉信息与文本结合，应用于多种用例，例如：图表解释、文档解析、根据视觉内容建议标题和文案，以及解决几何问题的能力等等。
LMArena是美国加州大学伯克利分校推出的创新AI模型评估平台，评测核心方法基于人类真实偏好的“盲测”机制，让用户对不同AI模型的回答进行匿名投票，衡量模型的表现。由于该平台访问量巨大，并且评测机制贴近实际体验，是目前国际上最权威的竞技场榜单。
10月5日发布的LMArena图像生成榜单中，混元图像3.0居第一位，超过nano-banana等顶尖闭源模型。
据悉，Hunyuan-Vision-1.5-Thinking 具备领先的多语言多模态理解和推理能力，能够通过多轮的反思，更加深入地理解所“看”到的内容，完成相应的指令任务。
此外，模型在更高级的任务，如视觉推理和3D空间理解也有较好表现。比如，在多模态理解场景中，模型可以准确识别图片中的花、也可以直接用西班牙语进行提问，识别原文为英文的图表。
混元视觉模型家族拥有多个适用于不同场景的模型，此前已经推出混元T1-Vision、混元TurboS-Vision和混元Large-Visio模型，并且均在国内外各类排行榜，例如LMArena Vision、SuperCLUE-VLM以及CompassArena上有不俗表现。
视觉信息理解是大模型走向通用模型不可或缺的一环。另悉，基于此前的积累，腾讯混元团队将持续在这一方向上努力，通过技术创新带来更多的多模态视觉模型和应用。
（受访单位供图）
网友评论
