在 Qwen2-VL 发布后的五个月里，众多开发者基于 Qwen2-VL 视觉-语言模型构建了新模型，并为Qwen提供了宝贵的反馈。在此期间，Qwen 专注于打造更实用的视觉-语言模型。

主要增强功能：

• 视觉理解能力：Qwen2.5-VL 不仅擅长识别花卉、鸟类、鱼类、昆虫等常见物体，还能高效分析图像中的文本、图表、图标、图形及布局。

• 具备主动性：Qwen2.5-VL 可直接作为视觉代理进行推理和动态操作工具，支持电脑及手机操作。

• 理解长视频并捕捉事件：Qwen2.5-VL 可理解超过 1 小时的视频，并新增了通过定位相关视频片段捕捉事件的能力。

• 多格式视觉定位能力：Qwen2.5-VL 能够通过生成边界框或关键点精确定位图像中的物体，并可稳定输出坐标及属性的 JSON 格式数据。

• 生成结构化输出：针对发票、表单、表格等扫描数据，Qwen2.5-VL 支持结构化内容输出，有助于在金融、商业等场景的应用。

模型架构更新

• 用于视频理解的动态分辨率和帧率训练

Qwen将动态分辨率扩展到时间维度，通过采用动态 FPS（帧率）采样，使模型能够理解不同采样率的视频。为此，Qwen在时间维度上更新了 mRoPE，引入 ID 和绝对时间对齐，使模型能够学习时间序列和速度，并最终具备定位视频中特定时刻的能力。

• 精简高效的视觉编码器

通过在 ViT 中策略性地引入 window attention，Qwen提升了训练和推理速度。ViT 架构进一步优化，引入 SwiGLU 和 RMSNorm，使其结构与 Qwen2.5 大语言模型保持一致。

Qwen提供三个规模的模型，参数量分别为 3B、7B 和 72B。本仓库包含经过指令微调的 3B Qwen2.5-VL 模型。更多信息请访问Qwen的 博客 和 GitHub。

注意：此表格显示的是源模型的评估，而非量化模型的评估。源模型评估来自于 Qwen2.5-VL-7B-Instruct 评估结果

图片评估

视频评估

智能体评估

待发布