人类获取的信息83%来自视觉，图文多模态大模型能感知更丰富和精确的真实世界信息，构建更全面的认知智能，从而向AGI（通用人工智能）迈出更大步伐。

元象今日发布多模态大模型 XVERSE-V ，支持任意宽高比图像输入，在主流评测中效果领先。该模型全开源，无条件免费商用，持续推动海量中小企业、研究者和开发者的研发和应用创新。

XVERSE-V 性能优异，在多项权威多模态评测中超过零一万物Yi-VL-34B、面壁智能OmniLMM-12B及深度求索DeepSeek-VL-7B等开源模型，在综合能力测评MMBench中超过了谷歌GeminiProVision、阿里Qwen-VL-Plus和Claude-3V Sonnet等知名闭源模型。

传统的多模态模型的图像表示只有整体，XVERSE-V  创新性地采用了融合整体和局部的策略，支持输入任意宽高比的图像。兼顾全局的概览信息和局部的细节信息，能够识别和分析图像中的细微特征，看的更清楚，理解的更准确。

注：Concate* 表示按列进行拼接

这样的处理方式使模型可以应用于广泛的领域，包括全景图识别、卫星图像、古文物扫描分析等。

示例- 高清全景图识别 、图片细节文字识别

免费下载大模型

• Hugging Face：https://huggingface.co/xverse/XVERSE-V-13B

• ModelScope魔搭：https://modelscope.cn/models/xverse/XVERSE-V-13B

• Github：https://github.com/xverse-ai/XVERSE-V-13B

• 问询发送：[email protected]

商业合作

微信添加：lixing_lixing

元象持续打造国内开源标杆，在国内最早开源最大参数65B、全球最早开源最长上下文256K以及国际前沿的MoE模型， 并在SuperCLUE测评全国领跑。此次推出MoE模型， 填补 国产开源空白，更将其 推向了国际领先水 平。

商业应用上，元象大模型是广东最早获得国家备案的模型之一，可向全社会提供服务。元象大模型去年起已和多个腾讯产品，包括QQ音乐、虎牙直播、全民K歌、腾讯云等，进行深度合作与应用探索，为文化、娱乐、旅游、金融领域打造创新领先的用户体验。

模型不仅在基础能力上表现出色，在实际的应用场景中也有着出色的表现。具备不同场景下的理解能力，能够处理信息图、文献、现实场景、数理题目、科学文献、代码转化等不同需求。

• 图表理解

不论是复杂图文结合的信息图理解，还是单一图表的分析与计算，模型都能够自如应对。

• 视障真实场景

在真实视障场景测试集VizWiz中，XVERSE-V 表现出色，超过了InternVL-Chat-V1.5、DeepSeek-VL-7B 等几乎所有主流的开源多模态大模型。该测试集包含了来自真实视障用户提出的超过31,000个视觉问答，能准确反映用户的真实需求与琐碎细小的问题，帮助视障人群克服他们日常真实的视觉挑战。

VizWiz测试示例

• 看图内容创作

XVERSE-V 具备多模态能力的同时保持强大的文本生成能力，能够很好胜任理解图像后创造性文本生成的任务。

• 教育解题

模型具备了广泛的知识储备和逻辑推理能力，能够识别图像解答不同学科的问题。

• 百科解答

模型储备了历史、文化、科技、安全等各类主题的知识。

• 代码撰写

• 自动驾驶

• 情感理解与识别