阿里巴巴发布 Qwen2.5-VL：全新旗舰多模态模型

阿里巴巴Qwen团队发布了Qwen2.5-VL——全新的视觉语言旗舰模型。该模型提供3B、7B和72B三种尺寸，包含基础版和指令版，可在Hugging Face和ModelScope获取。模型能识别物体、文本、图表，并可作为视觉智能体使用：操控电脑或手机。它理解时长超过一小时的视频，并能定位事件发生的时间点。模型支持通过边界框和关键点进行精准物体定位，还能以JSON格式结构化输出文档、发票和表格。旗舰版Qwen2.5-VL-72B-Instruct在多项基准测试中表现优异，涵盖大学级题目、数学、文档理解和视频任务。小尺寸版本（7B）在多项任务上超越GPT-4o-mini，而面向边缘人工智能的3B版本则超越了前代7B模型。图像识别能力也得到提升：如今模型覆盖海量类别，包括植物、动物、地标、电影角色和商品。模型采用HTML格式进行文档标注（QwenVL HTML）。