# LEOPARD – 腾讯AI Lab西雅图实验室推出的视觉语言模型 - Link: https://paooo.com/aigc-news/25350/ - Published: 2026-07-13T11:18:29+08:00 - Author: Prompt 语宙研究院 ⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点 * 面向文本密集的多图像场景，LEOPARD专攻文档、幻灯片、网页截图等复杂视觉理解任务。 * 核心创新是约一百万条LEOPARD-INSTRUCT数据与自适应高分辨率多图像编码模块。 * 在跨图像推理、长文本识别和高分辨率细节保留上表现突出，适合办公与分析场景。 ## LEOPARD是什么 LEOPARD是腾讯AI Lab西雅图实验室推出的视觉语言模型，专为理解和处理含有大量文本的多 图像任务设计。LEOPARD基于两个主要技术创新：一是策划约一百万条专门针对文本丰富、多 图像场景的高质量多模态指令调优数据集；二是开发自适应高分辨率多图像编码模块，动态 优化视觉序列长度分配。LEOPARD在多个基准测试中展现卓越的性能，在需要理解单个图像内容 及跨多个视觉输入进行推理的复杂任务中表现出色。 阅读目录 * [LEOPARD是什么](https://paooo.com/aigc-news/25350/#leopard%e6%98%af%e4%bb%80%e4%b9%88) * [LEOPARD的主要功能](https://paooo.com/aigc-news/25350/#leopard%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd) * [LEOPARD的技术原理](https://paooo.com/aigc-news/25350/#leopard%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86) * [LEOPARD的项目地址](https://paooo.com/aigc-news/25350/#leopard%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80) * [LEOPARD的应用场景](https://paooo.com/aigc-news/25350/#leopard%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af) ![LEOPARD](https://paooo.com/wp-content/uploads/2026/07/LEOPARD-website-1.avif) ## LEOPARD的主要功能 * **处理文本丰富的多图像任务**：用于理解和处理包含大量文本信息的多图像场景，如幻灯 片、扫描文档和网页截图等。 * **跨图像推理**：模型能理解单个图像的内容，在多个图像间进行逻辑推理和关系建立。 * **高分辨率图像处理**：基于自适应高分辨率多图像编码模块，能有效处理高分辨率图像， 保持文本和细节的清晰度。 * **动态视觉序列长度优化**：根据输入图像的原始纵横比和分辨率动态优化视觉序列长度， 平衡图像细节和模型处理能力。 * **多模态指令调优**：用大规模多模态指令调优数据集，能针对复杂的视觉语言任务进行 优化。 ## LEOPARD的技术原理 * **多模态大型语言模型（MLLM）**：基于MLLM架构，整合视觉编码器、视觉语言连接器和 语言模型，处理视觉和文本信息。 * **数据集构建**：构建LEOPARD-INSTRUCT数据集，包含约一百万条针对文本丰富、多图像 场景的指令，用在模型训练和优化。 * **自适应高分辨率编码**：基于自适应策略，根据输入图像的特性动态调整视觉特征序列， 适应模型的序列长度限制。 * **像素洗牌技术**：应用像素洗牌操作，将长视觉特征序列无损压缩成更短的序列，便于 模型处理更多的高分辨率图像。 * **图像分割**：将高分辨率图像分割成多个子图像，以便独立处理并保留细节，然后将视觉 特征与文本信息一起输入到语言模型中。 ## LEOPARD的项目地址 * **GitHub仓库**：[https://github.com/tencent-ailab/Leopard](https://github.com/tencent-ailab/Leopard) * **HuggingFace模型库**：[https://huggingface.co/datasets/wyu1/Leopard-Instruct](https://huggingface.co/datasets/wyu1/Leopard-Instruct) * **arXiv技术论文**：[https://arxiv.org/pdf/2410.01744](https://arxiv.org/pdf/2410.01744) ## LEOPARD的应用场景 * **自动化文档理解**：处理多页文档，如合同、报告和学术论文，自动提取关键信息和数据。 * **教育和学术研究**：辅助教育工具，如电子课件和学术演示文稿，提供交互式学习体验。 * **商业智能和数据分析**：分析商业图表和表格，提供市场趋势预测和决策支持。 * **网页内容分析**：理解和提取网页内容，用于搜索引擎优化（SEO）和内容推荐系统。 * **客户服务和支持**：基于分析用户上传的图像和文本，提供更准确的客户服务和技术支持。 🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航） **HuggingFace ↗** HuggingFace：AI模型开发社区，面向大语言模型场景提供便捷实用的在线功能支持，涵盖大 模型等实用方向。 ❓ 常见问题解答（FAQ） LEOPARD适合处理哪些图片任务？ LEOPARD主要面向文本丰富的多图像任务，适合处理幻灯片、扫描文档、网页截图、多页报告 等场景。它不仅能识别单图内容，还能在多张图之间进行关系理解和逻辑推理。 LEOPARD为什么适合高分辨率图像？ 它采用自适应高分辨率多图像编码模块，会根据图像原始纵横比和分辨率动态调整视觉序列 长度，并结合像素洗牌与图像分割，尽量保留文本和细节信息。 LEOPARD的主要技术亮点是什么？ 两点最关键：一是约一百万条面向文本丰富、多图像场景的多模态指令调优数据；二是自适应 高分辨率编码机制，用于提升复杂视觉语言任务中的理解和推理能力。 🔬 语宙深潜追问 · 进阶实操拆解 LEOPARD为何适合文档和网页截图？ 因为这类任务不仅要看单图，还要在多张图之间对齐文本、版式和上下文。它通过大规模多 模态指令数据和高分辨率编码，增强了对小字、表格、按钮和跨图关系的理解能力。 多图像任务训练时最该注意什么？ 最重要的是样本里要有明确的跨图指令和可验证答案，否则模型只会做局部识别。训练时应 覆盖对比、排序、引用和定位等任务，并控制分辨率与上下文长度的平衡，避免显存爆炸。 🗳️ 读者观点微投票 · 您的实战立场是？ 多图像VLM最难的是哪种推理？ 🕸️ 语宙向量知识图谱 · 语义强关联深度内链 [🐋 所属权威专题：DeepSeek 深度实战与部署 →](https://paooo.com/topics/deepseek/) * [MiniCPM-V – 面壁智能推出的开源多模态大模型](https://paooo.com/aigc-news/27580/) * [Long-VITA – 腾讯优图联合南大、厦大开源的多模态模型](https://paooo.com/aigc-news/21967/) * [AIMv2 – 苹果开源的多模态自回归预训练视觉模型](https://paooo.com/aigc-news/21468/) * [Chameleon – Meta推出的图文混合多模态开源模型](https://paooo.com/aigc-news/27755/) [🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（ paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示 词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发 者与创作者提供一手、可复现的深度技术洞察。 [📄 Markdown 纯净版](https://paooo.com/aigc-news/25350/?format=md) 💡 这篇内容对您有启发吗？ [📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/) **🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词 咒语库 [🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/) [📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)