阿里通义千问推出全新视觉理解模型Qwen2.5-VL，开源发布涵盖三尺寸版本，助力视觉Agent实现结构化输出，支持长视频理解与事件捕捉等先进能力

阿里通义千问开源全新视觉理解模型 Qwen2.5-VL

感谢IT之家网友 Hi_World 和 Skyraver 提供的线索！1月28日，阿里通义千问官方宣布开源全新的视觉理解模型Qwen2.5-VL。作为Qwen模型家族的旗舰视觉语言模型，Qwen2.5-VL推出了3B、7B和72B三种不同尺寸版本。以下是该模型的主要特点：

1. 视觉理解能力

Qwen2.5-VL不仅能够识别常见的物体，如花、鸟、鱼和昆虫，还能分析图像中的文本、图表、图标、图形和布局。它在多个领域的应用中表现出色，包括大学水平的问题解答、数学计算、文档理解和视觉问答。

2. 作为视觉Agent的操作能力

Qwen2.5-VL可以直接作为一个视觉代理（Agent），具备推理和动态使用工具的能力，初步实现了使用电脑和手机的功能。这使得它在实际应用场景中更加灵活和智能。

3. 理解长视频并捕捉事件

Qwen2.5-VL可以理解超过1小时的长视频，并通过精准定位相关视频片段来捕捉事件。这一新功能显著提升了其在视频处理方面的能力。

4. 视觉定位技术

该模型可以通过生成边界框（bounding boxes）或点（points）准确定位图像中的物体，并为坐标和属性提供稳定的JSON输出，适用于多种应用场景。

5. 结构化输出

对于发票、表单、表格等数据，Qwen2.5-VL支持的结构化输出，特别适合金融和商业领域的应用。此外，在测试中，Qwen2.5-VL-72B-Instruct在多个领域和任务的基准测试中表现出色，涵盖了从大学水平问题到视觉问答等多个方面。

6. 小型模型的优势

较小的模型版本Qwen2.5-VL-7B-Instruct在多个任务中超越了GPT-4o-mini，而Qwen2.5-VL-3B则展示了端侧AI的巨大潜力，超越了之前版本Qwen2-VL的7B模型。

阿里通义千问官方表示，与之前的Qwen2-VL相比，Qwen2.5-VL增强了对时间和空间尺度的感知能力，并简化了网络结构以提高模型效率。未来将进一步提升模型的问题解决和推理能力，整合更多模态，使其成为能够处理多种输入类型和任务的综合全能模型。

本文来源： IT之家【阅读原文】