精选国内外AI工具, 查看最新收录

阿里通义千问发布Qwen2.5-VL视觉模型

Qwen 官方博客 返回资讯

阿里通义千问团队发布了新一代旗舰视觉语言模型Qwen2.5-VL,这是继Qwen2-VL之后的一次重要升级。该模型提供3B、7B和72B三种参数规模,同时开源基础版和指令微调版,已在Hugging Face和ModelScope上线。用户可通过Qwen Chat体验72B指令版本。新模型在图像识别、文档理解、视频分析和视觉代理等能力上有明显提升,能识别花草鸟虫、图表、图标及图像中的文字和排版布局。 从行业角度看,Qwen2.5-VL的发布进一步加剧了开源多模态模型的竞争。72B版本在文档和图表理解上表现突出,7B版本在多项任务上超过GPT-4o-mini,3B版本甚至超越了上一代7B模型,这对边缘设备部署意义明显。模型还具备视觉代理能力,可直接操作电脑和手机界面,并能理解超过一小时的视频内容。这些能力使开源视觉模型从单纯的图像描述工具,向可执行实际任务的智能体方向演进。 对开发者和企业用户来说,Qwen2.5-VL提供了从边缘端到云端的完整尺寸选择。3B模型适合手机等资源受限设备,7B适合中等规模应用,72B面向高精度场景。模型支持发票、表格等结构化数据提取,对金融、电商等需要处理大量文档的行业有直接帮助。同时,开源协议允许自由下载和二次开发,降低了多模态AI应用的准入门槛。


原文:Qwen 官方博客

资讯内容仅供参考;产品功能、价格与发布日期请以原文和官方公告为准。查看原始来源 ↗

会员留言

推荐工具↑ ↓ 选择 Enter 打开