阿里云通义千问开源了全新的视觉模型Qwen2.5-VL，包含3B、7B和72B三个版本。旗舰版72B在13项评测中荣获视觉理解冠军，性能超越GPT-4o和Claude3.5。该模型能更准确解析图像，支持超1小时视频理解，可搜索视频事件并总结要点。此外，Qwen2.5-VL无需微调即可成为AI视觉智能体，操控手机电脑完成复杂操作。它不仅能识别常见物体，还能分析图像中的文本、图表等，并大幅提升OCR识别能力和信息抽取能力，满足多场景需求。

🏆Qwen2.5-VL旗舰版在13项权威评测中夺冠，视觉理解能力超越GPT-4o与Claude3.5，展现了卓越的性能。

🎬该模型突破性地支持超1小时的视频理解，能搜索视频中的具体事件，并对不同时间段进行要点总结，高效提取视频关键信息。

🤖Qwen2.5-VL无需微调即可变身AI视觉智能体，操控手机电脑完成复杂操作，如送祝福、修图、订票等，展示了强大的应用潜力。

🔍模型不仅擅长识别花、鸟、鱼等常见物体，还能分析图像中的文本、图表、图标等，OCR识别能力大幅提升，满足多场景需求。

快科技1月28日消息，今天，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。

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，超越GPT-4o与Claude3.5。

官方介绍称，新的Qwen2.5-VL能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，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。

而且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 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。

此外，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。