1月28日凌晨，阿里雲通義千問開源全新的視覺模型Qwen2.5-VL，推出3B、7B和72B三個尺寸版本。其中，旗艦版Qwen2.5-VL-72B在13項權威評測中奪得視覺理解冠軍，全面超越GPT-4o與Claude3.5。新的Qwen2.5-VL能夠更準確地解析影像內容，突破性地支援超1小時的影片理解，無需微調就可變身為一個能操控手機和電腦的AI視覺智慧體（Visual Agents），實現給指定朋友送祝福、電腦修圖、手機訂票等多步驟複雜操作。
通義團隊此前曾開源Qwen-VL及Qwen2-VL兩代模型，支援開發者在手機、汽車、教育、金融、天文等不同場景進行AI探索，Qwen-VL系列模型全球總下載量超過3200萬次，是業界最受歡迎的多模態模型。今天，Qwen-VL再度全新升級到第三代版本。根據評估，此次釋出的旗艦型模型Qwen2.5-VL-72B-Instruct斬獲OCRBenchV2、MMStar、MathVista等13項評測冠軍，在包括大學水平的問答、數學、文件理解、視覺問答、影片理解和視覺智慧體方面表現出色，全面超越GPT-4o與Claude3.5；Qwen2.5-VL-7B-Instruct 在多個任務中超越了 GPT-40-mini。
新的Qwen2.5-VL視覺知識解析能力實現了巨大飛躍：不僅能準確識別萬物，還能解析影像的佈局結構及其中的文字、圖表、圖示等複雜內容，從一張app截圖中就能分析出插圖和可點按鈕等元素；可精準定位視覺元素，擁有強大的關鍵資訊抽取能力，比如準確識別和定位馬路上騎摩托車未戴頭盔的人，或是以多種格式提取發票中的核心資訊並做結構化的推理輸出；OCR能力提升到全新水平，更擅長理解圖表並擁有更全面的文件解析能力，在精準識別的內容同時還能完美還原文件版面和格式。
圖說：Qwen2.5-VL可精準定位視覺元素，在理解圖表和文件方面優勢顯著
Qwen2.5-VL 的影片理解能力也大幅增強，可以更好地看清動態世界。在時間處理上，新模型引入了動態幀率（FPS）訓練和絕對時間編碼技術，使得Qwen2.5-VL不僅能夠能夠準確地理解小時級別的長影片內容，還可以在影片中搜尋具體事件，並對影片的不同時間段進行要點總結，從而快速、高效地幫助使用者提取影片中蘊藏的關鍵資訊。開啟攝像頭，你就能與Qwen2.5-VL實時對話。
視覺感知、解析及推理能力的增強，讓大模型自動化完成任務、與真實世界進行復雜互動成為可能。Qwen2.5-VL甚至能夠直接作為視覺智慧體進行操作，而無需特定任務的微調，比如讓模型直接操作電腦和手機，根據提示自動完成查詢天氣、訂機票、下載外掛等多步驟複雜任務。開發者基於Qwen2.5-VL也能快速簡單開發 屬於自己的AI智慧體，完成更多自動化處理和分析任務，比如自動核驗快遞單地址與照片中的門牌號是否對應，根據家庭攝像頭判斷貓咪狀況進行自動餵食，自動進行火災報警等。
動圖：Qwen2.5-VL手機端AI Agent 演示：幫我給我的QQ好友張三，傳送一條新春祝福
在模型技術方面，與Qwen2-VL相比，Qwen2.5-VL增強了模型對時間和空間尺度的感知能力，並進一步簡化了網路結構以提高模型效率。Qwen2.5-VL創新地利用豐富的檢測框、點等座標，讓模型直接感知和學習圖片在空間展示上的尺寸大小；同時，在時間維度也引入了動態FPS訓練和絕對時間編碼，進而擁有透過定位來捕捉事件的全新能力。而在重要的視覺編碼器設計中，通義團隊從頭開始訓練了原生動態解析度的ViT，並採用RMSNorm和SwiGLU的結構使得ViT和LLM保持一致，讓Qwen2.5-VL擁有更簡潔高效的視覺編解碼能力。
圖說：Qwen2.5-VL模型結構圖
目前，不同尺寸及量化版本的Qwen2.5-VL模型已在魔搭社群、HuggingFace等平臺開源，開發者也可以在Qwen Chat上直接體驗最新模型。
附連結：
QwenChat：https://chat.qwenlm.ai/
魔搭社群：https://www.modelscope.cn/collections/Qwen25-VL-58fbb5d31f1d47
HuggingFace：https://huggingface.co/collections/Qwen/qwen25-vl-6795ffac22b334a837c0f9a5