阿里云开源Qwen2.5-VL：视觉语言模型家族全面升级

阿里云近日宣布开源新一代视觉语言模型Qwen2.5-VL系列，包含3B、7B和72B三种参数规模，覆盖从端侧到云端的全场景需求。该系列在图像、视频理解及多语言OCR等任务上实现显著提升，其中旗舰模型Qwen2.5-VL-72B在多个权威基准测试中达到领先水平。

Qwen2.5-VL采用动态分辨率与窗口注意力机制，支持处理长视频（如1小时以上视频）及高分辨率图像。模型新增视觉定位、结构化输出等功能，能够精准识别物体位置并生成JSON等结构化数据。此外，72B版本在MMMU、DocVQA等评测中超越GPT-4o和Claude 3.5 Sonnet，展现出强大的多模态推理能力。

目前，Qwen2.5-VL系列已在ModelScope和Hugging Face平台开源，开发者可基于Apache 2.0协议免费商用。阿里云表示，将持续推动AI开源生态建设，降低多模态模型应用门槛。