杭州AI开源领域再创佳绩！阿里Qwen除夕重磅推出视觉理解模型新旗舰，涵盖多模态大模型全系列三种尺寸，7B参数量超越GPT-40-mini，尤其在视频理解能力方面表现卓越，引领行业创新潮流。

杭州领跑AI开源：阿里Qwen除夕发布视觉理解新旗舰模型

杭州在人工智能领域再次展现出强大的创新实力。2025年1月28日凌晨4点，阿里巴巴通义团队发布了全新视觉理解模型Qwen2.5-VL，并宣布全面开源。这款模型不仅支持视觉理解、Agent操作、长视频理解等功能，还推出了3B、7B和72B三种参数规模的版本。

官方测试结果显示，Qwen2.5-VL系列中的7B模型（Qwen2.5-VL-7B-Instruct）在多个任务中超越了GPT-4o-mini，而72B版本则在一系列涵盖多个领域的基准测试中表现出色，包括大学水平的问题解答、数学推理、文档理解等。

此外，Qwen2.5-VL-3B被团队称为“端侧AI的潜力股”，它以较小的参数规模实现了超越此前7B模型的表现。这表明该模型在资源受限的设备上也有着广泛的应用前景。

Qwen2.5-VL的核心能力

# 1. 视觉定位能力
Qwen2.5-VL能够对通用物体进行精准定位，采用矩形框和点的方式实现层级化定位，并以JSON格式输出结果。例如，输入一张街头实拍图并要求检测所有摩托车手的位置，模型将返回坐标形式的结果。

# 2. 通用图像识别能力
相比前作Qwen2-VL，Qwen2.5-VL显著提升了其通用图像识别能力，扩大了可识别的图像类别量级，包括动植物、地标、影视IP和各类商品。

# 3. 文档解析能力
Qwen2.5-VL引入了一种新的文档解析格式——QwenVL HTML，能够准确还原文档中的版面布局，提取文本和元素位置信息。适用于杂志、论文、网页等多种场景，甚至手机截屏。

# 4. 视觉Agent操作能力
Qwen2.5-VL具备操作电脑和手机的能力，通过内在的感知、解析和推理能力执行各种任务。例如，它可以帮用户预订机票或完成其他复杂的操作。

# 5. 增强的视频理解能力
Qwen2.5-VL引入了动态帧率训练和绝对时间编码技术，支持小时级别的超长视频理解，并能快速高效地搜索具体事件。它可以在视频中捕捉关键信息，帮助用户提取重要片段。

# 6. 文字识别和理解能力
Qwen2.5-VL增强了OCR识别能力，能够在多场景、多语言和多方向下识别和定位文本，满足资质审核、金融商务等领域的智能化需求。

技术升级与未来展望

Qwen2.5-VL在时空感知和视觉编码器方面进行了多项优化。通过动态分辨率ViT和窗口注意力机制，模型不仅提高了效率，还简化了整体网络结构。未来，Qwen团队将进一步提升模型的问题解决和推理能力，整合更多模态，最终实现综合全能模型的目标。

目前，Qwen2.5-VL全系列已开源至抱抱脸和魔搭社区，用户可以通过Qwen Chat官网直接体验Qwen2.5-VL-72B-Instruct的强大功能。

本文来源： 量子位【阅读原文】