أصدرت Alibaba نموذج Qwen2.5-VL: النموذج الرائد متعدد الوسائط الجديد

Команда Qwen из Alibaba выпустила Qwen2.5-VL — новую флагманскую мультимодальную модель для зрения и языка. Она доступна в трёх размерах: 3B, 7B и 72B, как в базовой (base), так и в инструктивной (instruct) версиях, на платформах Hugging Face и ModelScope. Модель способна распознавать объекты, текст, диаграммы, а также выступать в роли визуального агента: управлять компьютером или телефоном. Она понимает видео длительностью более часа и может определять временные метки событий. Модель поддерживает точную локализацию объектов с помощью ограничивающих рамок (bounding boxes) и ключевых точек, а также структурированный вывод в формате JSON для документов, счетов и таблиц. Флагманская модель Qwen2.5-VL-72B-Instruct демонстрирует конкурентоспособные результаты на бенчмарках, включая задачи уровня колледжа, математику, понимание документов и видео. Меньшие версии (7B) превосходят GPT-4o-mini по ряду задач, а модель 3B, предназначенная для периферийного искусственного интеллекта (edge AI), превосходит предыдущую модель с 7 миллиардами параметров. Кроме того, улучшено распознавание изображений: теперь модель охватывает огромное количество категорий, включая растения, животных, достопримечательности, персонажей фильмов и товары. Модель использует формат HTML для разметки документов (QwenVL HTML).