近日，阿里巴巴旗下的通義千問團(tuán)隊(duì)宣布了一項(xiàng)重大進(jìn)展，正式推出了其旗艦級(jí)的視覺語言模型Qwen2.5-VL。此次開源的版本涵蓋了3B、7B以及72B三種不同規(guī)模，以滿足多樣化的應(yīng)用需求。
Qwen2.5-VL作為Qwen模型家族的新成員，展現(xiàn)了強(qiáng)大的視覺理解能力。它不僅能夠準(zhǔn)確識(shí)別諸如花鳥魚蟲等常見物體，更能夠深入解析圖像中的文本、圖表、圖標(biāo)、圖形以及整體布局，為用戶帶來更為詳盡的信息解讀。
尤為Qwen2.5-VL還具備作為視覺代理的能力。它能夠像人一樣，通過推理動(dòng)態(tài)地使用各種工具，甚至初步掌握了操作電腦和手機(jī)的技能，為智能化應(yīng)用開辟了全新的可能性。
在視頻處理方面，Qwen2.5-VL同樣表現(xiàn)出色。它能夠輕松理解超過一小時(shí)的長(zhǎng)視頻內(nèi)容，并憑借精準(zhǔn)定位相關(guān)視頻片段的能力，有效捕捉事件的關(guān)鍵信息，為用戶節(jié)省了大量查找時(shí)間。
Qwen2.5-VL還具備強(qiáng)大的視覺定位功能。它能夠通過生成邊界框或點(diǎn)來精確定位圖像中的物體，并以穩(wěn)定的JSON格式輸出坐標(biāo)和屬性信息，為圖像分析提供了有力的支持。
對(duì)于結(jié)構(gòu)化數(shù)據(jù)的處理，Qwen2.5-VL同樣游刃有余。無論是發(fā)票、表單還是表格等數(shù)據(jù)，它都能夠?qū)崿F(xiàn)內(nèi)容的結(jié)構(gòu)化輸出，極大地提升了金融、商業(yè)等領(lǐng)域的工作效率。
在官方公布的測(cè)試中，旗艦?zāi)Ｐ蚎wen2.5-VL-72B-Instruct在一系列涵蓋多個(gè)領(lǐng)域和任務(wù)的基準(zhǔn)測(cè)試中均取得了優(yōu)異成績(jī)。特別是在理解文檔和圖表方面，它展現(xiàn)出了顯著的優(yōu)勢(shì)。同時(shí)，作為視覺代理進(jìn)行操作時(shí)，也無需進(jìn)行特定任務(wù)的微調(diào)，展現(xiàn)了極高的靈活性和適用性。
在較小模型方面，Qwen2.5-VL同樣表現(xiàn)出色。7B版本的模型在多個(gè)任務(wù)中超越了GPT-4o-mini，而3B版本則作為端側(cè)AI的潛力股，性能超越了前代7B模型，為用戶提供了更為高效、便捷的智能化體驗(yàn)。
據(jù)通義千問團(tuán)隊(duì)介紹，與Qwen2-VL相比，Qwen2.5-VL在模型結(jié)構(gòu)和感知能力上均進(jìn)行了優(yōu)化升級(jí)。它增強(qiáng)了對(duì)時(shí)間和空間尺度的感知能力，并簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)以提高模型效率。這些改進(jìn)使得Qwen2.5-VL在智能化應(yīng)用中更加智能、高效。
