全新的视觉理解模型阿里通义千问 Qwen2.5-VL 开源

IT 世家 1 月 28 今天，阿里通义千问官方发布了一条消息，开源全新的视觉理解模型 Qwen2.5-VL —— Qwen 旗舰视觉语言模型，模型家族，推出了 3B、7B 和 72B 三大尺寸版本。

IT 世家附 Qwen2.5-VL 其主要特点如下：

视觉理解：Qwen2.5-VL 不但擅长识别常见物体，如花、鸟、鱼、虫，还能分析图像中的文字、图表、图标、图形和布局。

代理：Qwen2.5-VL 视觉是直接的 Agent，能对工具进行推理和动态使用，初步具备操作计算机和使用手机的能力。

了解长视频和捕获事件：Qwen2.5-VL 能理解超越 1 一个小时的视频，而这一次，它有了通过精确定位相关视频短片来捕捉事件的新能力。

视觉定位：Qwen2.5-VL 可通过生成 bounding boxes 或是 points 对图像中的物体进行精确定位，并能为坐标和特性提供稳定的定位。 JSON 导出。

结构化导出：对发票、表格、表格等数据，Qwen2.5-VL 对内容结构化导出的支持，有利于金融、商业等领域的应用。

根据官方的介绍，旗舰模型 Qwen2.5-VL-72B-Instruct 在一系列包括多个领域和任务在内的基准测试中，它表现出色，包括大学水平的问题、数学、文档理解、视觉问答、视频理解与视觉 Agent。Qwen2.5-VL 它具有分析文档和图表的优点，并能被视为视觉。 Agent 来操作，而且不需要微调特定的任务。

另外，在较小的模型方面，Qwen2.5-VL-7B-Instruct 超越了多项任务 GPT-4o-mini，而 Qwen2.5-VL-3B 作为端侧 AI 的潜力股，超过之前的版本 Qwen2-VL 的 7B 模型。

阿里通义千问官方表示， Qwen2-VL 与Qwen2相比.5-VL 提高模型对时间和空间尺度的感知能力，并进一步网络架构的简化提高模型效率。后续将进一步提高解决和推理模型问题的能力，同时整合更多模式，使模型更加智能化，并向能够处理各种输入类型和任务的综合全能模型迈进。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com