IT之家 1 月 28 日消息，阿里通義千問官方今日發(fā)文宣布，開源全新的視覺理解模型 Qwen2.5-VL——Qwen 模型家族的旗艦視覺語言模型，推出了 3B、7B 和 72B 三個尺寸版本。
IT之家附 Qwen2.5-VL 的主要特點(diǎn)如下：
視覺理解：Qwen2.5-VL 不僅擅長識別常見物體，如花、鳥、魚和昆蟲，還能夠分析圖像中的文本、圖表、圖標(biāo)、圖形和布局。
代理：Qwen2.5-VL 直接作為一個視覺 Agent，可以推理并動態(tài)地使用工具，初步具備了使用電腦和使用手機(jī)的能力。
理解長視頻和捕捉事件：Qwen2.5-VL 能夠理解超過 1 小時的視頻，并且這次它具備了通過精準(zhǔn)定位相關(guān)視頻片段來捕捉事件的新能力。
視覺定位：Qwen2.5-VL 可以通過生成 bounding boxes 或者 points 來準(zhǔn)確定位圖像中的物體，并能夠?yàn)樽鴺?biāo)和屬性提供穩(wěn)定的 JSON 輸出。
結(jié)構(gòu)化輸出：對于發(fā)票、表單、表格等數(shù)據(jù)，Qwen2.5-VL 支持其內(nèi)容的結(jié)構(gòu)化輸出，惠及金融、商業(yè)等領(lǐng)域的應(yīng)用。
據(jù)官方介紹，在旗艦?zāi)Ｐ?Qwen2.5-VL-72B-Instruct 的測試中，它在一系列涵蓋多個領(lǐng)域和任務(wù)的基準(zhǔn)測試中表現(xiàn)出色，包括大學(xué)水平的問題、數(shù)學(xué)、文檔理解、視覺問答、視頻理解和視覺 Agent。Qwen2.5-VL 在理解文檔和圖表方面具有優(yōu)勢，并且能夠作為視覺 Agent 進(jìn)行操作，而無需特定任務(wù)的微調(diào)。
另外，在較小的模型方面，Qwen2.5-VL-7B-Instruct 在多個任務(wù)中超越了 GPT-4o-mini，而 Qwen2.5-VL-3B 作為端側(cè) AI 的潛力股，超越了之前版本 Qwen2-VL 的 7B 模型。
阿里通義千問官方表示，與 Qwen2-VL 相比，Qwen2.5-VL 增強(qiáng)了模型對時間和空間尺度的感知能力，并進(jìn)一步簡化了網(wǎng)絡(luò)結(jié)構(gòu)以提高模型效率。后續(xù)將進(jìn)一步提升模型的問題解決和推理能力，同時整合更多模態(tài)，使模型變得更加智能，并向能夠處理多種輸入類型和任務(wù)的綜合全能模型邁進(jìn)。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。