量子位
·
杭州领跑AI开源！阿里Qwen除夕开源视觉理解新旗舰，全系列3尺寸，7B模型超GPT-4o-mini
💡
原文中文，约3900字，阅读约需10分钟。
📝
内容提要
阿里通义发布了新视觉理解模型Qwen2.5-VL，支持多种任务，包含3B、7B和72B三个版本。该模型在文档解析、图像识别和视频理解方面表现优异，已全面开源。Qwen2.5-VL具备视觉Agent能力，能够操作设备并理解长视频，提升多模态处理能力，未来将增强推理能力。
🎯
关键要点
- 阿里通义发布了新视觉理解模型Qwen2.5-VL，包含3B、7B和72B三个版本。
- Qwen2.5-VL在文档解析、图像识别和视频理解方面表现优异，已全面开源。
- 该模型具备视觉Agent能力，能够操作设备并理解长视频，提升多模态处理能力。
- Qwen2.5-VL在理解文档和图表方面表现突出，无需进行特定任务的微调。
- Qwen2.5-VL增强了定位能力，支持复杂场景中的视觉理解和推理任务。
- 通用图像识别能力得到提升，能够识别更多类别的图像。
- Qwen2.5-VL支持更全面的文档解析格式，能够准确提取文档元素的位置信息。
- 该模型能够通过内在的感知、解析和推理能力操作电脑和手机。
- 视频理解能力方面，Qwen2.5-VL支持超长视频理解和事件定位。
- OCR识别能力得到增强，支持多场景、多语言和多方向的文本识别。
- Qwen2.5-VL在时间和空间尺度的感知能力上有所增强，简化了网络结构以提高效率。
- 未来Qwen团队将进一步提升模型的推理能力，整合更多模态，朝着综合全能模型迈进。
❓
延伸问答
Qwen2.5-VL模型有哪些版本？
Qwen2.5-VL模型包含3B、7B和72B三个版本。
Qwen2.5-VL在视觉理解方面的能力有哪些？
Qwen2.5-VL具备视觉定位、通用图像识别、文档解析、设备操作、视频理解和文字识别等能力。
Qwen2.5-VL如何进行文档解析？
Qwen2.5-VL采用QwenVL HTML格式，能够精准识别文档文本并提取元素位置信息。
Qwen2.5-VL的视觉Agent能力是什么？
Qwen2.5-VL作为视觉Agent，能够操作设备并理解长视频，执行任务无需特定微调。
Qwen2.5-VL在视频理解方面有什么新特性？
Qwen2.5-VL支持超长视频理解和事件定位，能够处理小时级别的视频内容。
Qwen2.5-VL的OCR识别能力如何？
Qwen2.5-VL增强了OCR识别能力，支持多场景、多语言和多方向的文本识别。
➡️
