Компания Alibaba Cloud открыла доступ к новой визуальной модели Qwen2.5-VL и запустила три версии: 3B, 7B и 72B. Флагманская версия, Qwen2.5-VL-72B, заняла первое место по визуальному пониманию в 13 авторитетных оценках, опередив GPT-4 и Claude3.5. Согласно официальному представлению Alibaba Cloud, новая модель Qwen2.5-VL может более точно интерпретировать содержимое изображений и обеспечивает поддержку понимания видео длительностью более одного часа. Эта модель может искать конкретные события в видео и обобщать ключевые моменты из разных сегментов видео, тем самым быстро и эффективно помогая пользователям извлекать важную информацию.

Кроме того, Qwen2.5-VL может превращаться в визуального ИИ-агента, способного управлять смартфонами и компьютерами без необходимости тонкой настройки, что позволяет выполнять сложные многоэтапные операции, такие как отправка поздравлений указанным друзьям, редактирование фотографий на компьютерах и бронирование билетов на смартфонах. Qwen2.5-VL отлично распознает обычные объекты, такие как цветы, птицы, рыбы и насекомые, а также может анализировать текст, диаграммы, иконки, графику и макеты на изображениях. Alibaba Cloud также расширила возможности Qwen2.5-VL в области OCR, улучшив распознавание и локализацию текста на разных сценах, языках и ориентациях.

В ближайшем будущем Qwen будет расширен возможностями рассуждений.

Qwen2.5-VL можно протестировать через чат-приложения Qwen и платформу Hugging Face.