IT 之家 1 月 28 日音问，阿里通义千问官方本日发文秘书开云·kaiyun体育，开源全新的视觉招引模子 Qwen2.5-VL —— Qwen 模子眷属的旗舰视觉话语模子，推出了 3B、7B 和 72B 三个尺寸版块。

Qwen2.5-VL 的主要特色如下：

视觉招引：Qwen2.5-VL 不仅擅长识别常见物体，如花、鸟、鱼和虫豸，还巧合分析图像中的文本、图表、图标、图形和布局。

代理：Qwen2.5-VL 平直行为一个视觉 Agent，不错推理并动态地使用用具，初步具备了使用电脑和使用手机的时期。

招引长视频和捕捉事件：Qwen2.5-VL 巧合招引进步 1 小时的视频，况且此次它具备了通过精确定位干系视频片断来捕捉事件的新时期。

视觉定位：Qwen2.5-VL 不错通过生成 bounding boxes 或者 points 来准详情位图像中的物体，并巧合为坐标和属性提供褂讪的 JSON 输出。

结构化输出：关于发票、表单、表格等数据，Qwen2.5-VL 搭救其实质的结构化输出，惠及金融、买卖等限制的独揽。

据官方先容，在旗舰模子 Qwen2.5-VL-72B-Instruct 的测试中，它在一系列涵盖多个限制和任务的基准测试中证实出色，包括大学水平的问题、数学、文档招引、视觉问答、视频招引和视觉 Agent。Qwen2.5-VL 在招引文档和图表方面具有上风，况且巧合行为视觉 Agent 进行操作，而无需特定任务的微调。

另外，在较小的模子方面，Qwen2.5-VL-7B-Instruct 在多个任务中越过了 GPT-4o-mini，而 Qwen2.5-VL-3B 行为端侧 AI 的后劲股，越过了之前版块 Qwen2-VL 的 7B 模子。

阿里通义千问官方暗示，与 Qwen2-VL 比拟，Qwen2.5-VL 增强了模子对时候和空间表率的感知时期，并进一步简化了集聚合构以提高模子后果。后续将进一步升迁模子的问题处理和推理时期，同期整合更多模态，使模子变得愈加智能开云·kaiyun体育，并向巧合处理多种输入类型和任务的空洞万能模子迈进。