IT 之家 1 月 28 日音问，阿里通义千问官方本日发文布告，开源全新的视觉领路模子 Qwen2.5-VL —— Qwen 模子眷属的旗舰视觉话语模子银河电子app官网，推出了 3B、7B 和 72B 三个尺寸版块。

Qwen2.5-VL 的主要特色如下：

视觉领路：Qwen2.5-VL 不仅擅长识别常见物体，如花、鸟、鱼和虫豸，还好像分析图像中的文本、图表、图标、图形和布局。

代理：Qwen2.5-VL 径直行为一个视觉 Agent，不错推理并动态地使用器用，初步具备了使用电脑和使用手机的才气。

领路长视频和捕捉事件：Qwen2.5-VL 好像领路进步 1 小时的视频，况兼此次它具备了通过精确定位关系视频片断来捕捉事件的新才气。

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，并好像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 撑执其履行的结构化输出，惠及金融、生意等限制的运用。

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进展出色，包括大学水平的问题、数学、文档领路、视觉问答、视频领路和视觉 Agent。Qwen2.5-VL 在领路文档和图表方面具有上风，况兼好像行为视觉 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。

阿里通义千问官方默示，与 Qwen2-VL 比较，Qwen2.5-VL 增强了模子对时候和空间范例的感知才气，并进一步简化了收罗结构以提高模子后果。后续将进一步培植模子的问题管制和推理才气，同期整合更多模态银河电子app官网，使模子变得愈加智能，并向好像处理多种输入类型和任务的抽象万能模子迈进。