Qwen2.5-VL
AI视觉智能体能力大幅增强
本次开源的 Qwen2.5-VL 模型，我们推出 3B、7B 和 72B 三个尺寸版本。其中，旗舰版Qwen2.5-VL-72B在13项权威评测中夺得视觉理解冠军，全面超越GPT-4o与Claude3.5。新的Qwen2.5-VL能够更准确地解析图像内容，突破性地支持超1小时的视频理解，无需微调就可变身为一个能操控手机和电脑的AI视觉智能体（Visual Agents），实现给指定朋友送祝福、电脑修图、手机订票等多步骤复杂操作。
万物识别
Qwen2.5-VL 不仅擅长识别常见物体，如花、鸟、鱼和昆虫，还能够分析图像中的文本、图表、图标、图形和布局。
Prompt：What are these attractions? Please give their names in Chinese and English.
Qwen2.5-VL：
These attractions are:
1.Top left: The Great Pyramids of Giza (埃及的吉萨大金字塔)
2.Top right: The Great Wall of China (中国的长城)
3.Bottom left: The Statue of Liberty (美国的自由女神像)
4.Bottom right: The Terracotta Army (中国的秦始皇兵马俑)
精准的视觉定位
Qwen2.5-VL 采用矩形框和点的多样化方式对通用物体定位，可以实现层级化定位和规范的 JSON 格式输出。增强的定位能力为复杂场景中的视觉 Agent 进行理解和推理任务提供了基础。
Prompt：Detect all motorcyclists in the image and return their locations in the form of coordinates. The format of output should be like {“bbox_2d”: [x1, y1, x2, y2], “label”: “motorcyclist”, “sub_label”: “wearing helmat” # or “not wearing helmat”}.
全面的文字识别和理解
Qwen2.5-VL 将OCR 识别能力提升至一个新的水平，增强了多场景、多语言和多方向的文本识别和文本定位能力。同时，在信息抽取能力上进行大幅度增强，以满足日益增长的资质审核、金融商务等『数字化』、智能化需求。
Prompt：Read all texts in the image, output in lines.
Qwen2.5-VL：
平安喜樂 八方來財 順風順水順財神 暴富 大吉 諸事皆順 福 時來運轉 發財 如意 有錢有勢有前程 好運來
Qwen特色文档解析
在 Qwen2.5-VL 中，我们在设计了一种更全面的文档解析格式，称为 QwenVL HTML 格式，它既可以将文档中的文本精准地识别出来，也能够提取文档元素（如图片、表格等）的位置信息，从而准确地将文档中的版面布局进行精准还原。基于精心构建的海量数据，QwenVL HTML 可以对广泛的场景进行鲁棒的文档解析，比如杂志、论文、网页、甚至手机截屏等等。
增强的视频理解
Qwen2.5-VL 的视频理解能力经过全面升级，在时间处理上，我们引入了动态帧率（FPS）训练和绝对时间编码技术。这样一来，模型不仅能够支持小时级别的超长视频理解，还具备秒级的事件定位能力。它不仅能够准确地理解小时级别的长视频内容，还可以在视频中搜索具体事件，并对视频的不同时间段进行要点总结，从而快速、高效地帮助用户提取视频中蕴藏的关键信息。
能够操作电脑和手机的视觉Agent
通过利用内在的感知、解析和推理能力，Qwen2.5-VL 展现出了不错的设备操作能力。这包括在手机、网络平台和电脑上执行任务，为创建真正的视觉代理提供了有价值的参考点。
Prompt：
Please help me book a one-way ticket in the bookings app. The starting point is Chongqing Jiangbei Airport and the ending point is Beijing Capital Airport on January 28th.
Qwen2.5-VL 不同尺寸及量化版本已在魔搭社区ModelScope、HuggingFace等平台开源，大家也可在 Qwen Chat 上直接体验最新模型，或通过阿里云百炼调用模型API。
Huggingface：
https://huggingface.co/collections/Qwen/qwen25-vl-6795ffac22b334a837c0f9a5
Modelscope：
https://modelscope.cn/collections/Qwen25-VL-58fbb5d31f1d47
Qwen Chat：https://chat.qwenlm.ai
Qwen2.5-1M
百万Tokens处理速度提升近7倍
本次开源的 Qwen2.5-1M 大模型，我们推出7B、14B两个尺寸，均在处理长文本任务中稳定超越GPT-4o-mini；同时开源推理框架，在处理百万级别长文本输入时可实现近7倍的提速。这也是我们首次将开源 Qwen 模型的上下文扩展到 1M 长度。
1M长度≈100万个单词≈150万个汉字≈2部《红楼梦》
长文本处理能力
在上下文长度为 100 万 Tokens 的大海捞针（Passkey Retrieval）任务中，Qwen2.5-1M 能够准确地从 1M 长度的文档中检索出隐藏信息，仅有 7B 模型出现了少量错误。
长文本推理速度提升
对于长上下文的语言模型，推理速度对用户体验至关重要。为了加速预填充阶段，我们引入了基于 MInference 的稀疏注意力优化。并在分块预填充、集成长度外推方案和稀疏性优化等多环节创新改进。基于这些改进的推理框架有效地加快了模型推理速度，在不同模型大小和 GPU 设备上，处理 1M 长度输入序列的预填充速度提升了 3.2 倍到 6.7 倍。
你可以在 Huggingface 和 Modelscope 上的在线演示体验 Qwen2.5-1M 模型。
Huggingface：
https://huggingface.co/spaces/Qwen/Qwen2.5-1M-Demo
Modelscope：
https://www.modelscope.cn/studios/Qwen/Qwen2.5-1M-Demo
