一、模型介紹

Qwen2.5-VL 是阿里通義千問團隊開源的視覺語言模型，具有3B、7B和72B三種不同規模，能夠識別常見物體、分析圖像中的文本、圖表等元素，并具備作為視覺Agent的能力。

Qwen2.5-VL 具備作為視覺Agent的能力，可以推理并動態使用工具，初步操作電腦和手機。在視頻處理上，Qwen2.5-VL 能夠理解超過1小時的長視頻，精準定位相關片段捕捉事件。模型還支持發票、表單等數據的結構化輸出。

Qwen2.5-VL 在多個性能測試中表現優異，在文檔和圖表理解方面優勢明顯，7B模型在多項任務中超越了GPT-4o-mini。模型的推出為開發者提供了強大的工具，能夠在多種應用場景中發揮重要作用。

1.1 Qwen2.5-VL 的主要功能

視覺理解：能識別常見物體，如花、鳥、魚和昆蟲，能分析圖像中的文本、圖表、圖標、圖形和布局。
視覺Agent能力：可以直接作為一個視覺Agent，推理并動態地使用工具，初步具備使用電腦和使用手機的能力。
理解長視頻和捕捉事件：能理解超過1小時的視頻，精準定位相關視頻片段來捕捉事件。
視覺定位：可以通過生成bounding boxes或者points來準確定位圖像中的物體，能為坐標和屬性提供穩定的JSON輸出。