阿里巴巴开源Qwen2.5-VL-32B：更智能、更轻量

阿里巴巴通义千问团队发布了Qwen2.5-VL-32B-Instruct，这是一款拥有320亿参数的视觉语言模型，基于Apache 2.0协议开源。该模型构建于Qwen2.5-VL系列之上，并采用强化学习进行了优化。主要改进包括：更符合人类偏好的回应、增强的数学推理准确性，以及精细的图像理解与推理能力。在广泛的基准测试中，Qwen2.5-VL-32B-Instruct优于同等规模的顶级模型（如Mistral-Small-3.1-24B和Gemma-3-27B-IT），甚至在复杂的多模态任务中（如MMMU、MMMU-Pro和MathVista）超越了参数量更大的Qwen2-VL-72B-Instruct。同时，在相同规模的纯文本能力方面也达到了顶尖水平。团队计划接下来专注于针对高度复杂视觉推理任务的长时有效推理过程。