通义开源视觉理解模型Qwen2.5-VL可操控手机、视频通话

通义开源视觉理解模型Qwen2.5-VL可操控手机、视频通话

引用

腾讯

1.

https://new.qq.com/rain/a/20250128A06H0800?media_id=&openApp=false&suid=&web_channel=wap

1月28日，阿里云通义千问开源全新的视觉模型Qwen2.5-VL，推出3B、7B和72B三个尺寸版本，并已在魔搭社区、HuggingFace等平台开源。

其中，旗舰版Qwen2.5-VL-72B在13项权威评测中的得分领先GPT-4o与Claude3.5。新的Qwen2.5-VL能够更准确地解析图像内容，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。

Qwen2.5-VL识别和定位马路上骑摩托车未戴头盔的人。官方供图

通义团队此前曾开源Qwen-VL及Qwen2-VL两代模型，而新的Qwen2.5-VL视觉知识解析能力实现了飞跃，如准确识别和定位马路上骑摩托车未戴头盔的人，或是以多种格式提取发票中的核心信息并做结构化的推理输出。其视频理解能力也得到了增强，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，打开摄像头，用户就能与Qwen2.5-VL实时对话。

开发者基于Qwen2.5-VL也能开发属于自己的AI智能体，如自动核验快递单地址与照片中的门牌号是否对应，根据家庭摄像头判断猫咪状况进行自动喂食，自动进行火灾报警等。