Qwen2-VL 的重大省级，Qwen 发布新旗舰视觉语言模型 Qwen2.5-VL

Qwen2.5-VL 是 Qwen 的新旗舰视觉语言模型，也是上一代 Qwen2-VL 的重大飞跃。

Qwen2.5-VL主要特点

视觉理解事物：Qwen2.5-VL不仅能够熟练识别花、鸟、鱼、昆虫等常见物体，而且还能够分析图像中的文本、图表、图标、图形和布局。
代理性：Qwen2.5-VL直接扮演视觉代理的角色，具有推理和动态指挥工具的功能，可用于电脑和手机。
理解长视频并捕捉事件：Qwen2.5-VL 可以理解超过 1 小时的视频，这次它还具有通过精确定位相关视频片段来捕捉事件的新功能。
能够进行不同格式的视觉定位：Qwen2.5-VL 可以通过生成边界框或点来准确定位图像中的对象，并且可以为坐标和属性提供稳定的 JSON 输出。
生成结构化输出：对于发票、表格、表格等扫描件数据，Qwen2.5-VL 支持其内容的结构化输出，有利于金融、商业等领域的用途。

表现

我们用 SOTA 模型以及类似模型大小的最佳模型来评估我们的模型。就旗舰模型 Qwen2.5-VL-72B-Instruct 而言，它在一系列涵盖领域和任务的基准测试中取得了有竞争力的表现，包括大学水平的问题、数学、文档理解、一般问答、数学、视频理解和视觉代理。值得注意的是，Qwen2.5-VL 在理解文档和图表方面取得了显著的优势，并且它能够充当视觉代理而无需针对特定任务进行微调。

在较小的模型方面，Qwen2.5-VL-7B-Instruct 在多项任务上的表现优于 GPT-4o-mini，而作为边缘 AI 解决方案的 Qwen2.5-VL-3B 甚至优于我们上一版本 Qwen2-VL 的 7B 模型。

模型功能

1. 全球范围的图像识别

Qwen2.5-VL通用图像识别能力大幅提升，图像类别扩展至超大量，不仅包括植物、动物、名山大川地标，还包括影视IP以及种类丰富的商品。 - 示例：景点识别这些景点是什么？请给出它们的中文和英文名称。

- Qwen2.5-VL

```
这些景点是：

左上：吉萨大金字塔（埃及的吉萨大金字塔）
右上：中国的长城
左下：自由女神像（美国的自由女神像）
右下：中国的秦始皇兵马俑
```

2. 精确的物体接地

Qwen2.5-VL 利用边界框和基于点的表示进行定位，实现分层定位和标准化 JSON 输出。这种增强的定位能力为视觉推理奠定了基础。

检测图像中的所有摩托车手并以坐标形式返回其位置。输出格式应为 {“bbox_2d”: [x1, y1, x2, y2], “label”: “motorcyclist”, “sub_label”: “wearing helmat” # or “not wearing helmat”}。

[
    {"bbox_2d": [341, 258, 397, 360], "label": "motorcyclist", "sub_label": "not wearing helmat "},
    {"bbox_2d": [212, 332, 274, 448], "label": "motorcyclist", "sub_label": "not wearing helmat "},
    {"bbox_2d": [66, 124, 112, 198], "label": "motorcyclist", "sub_label": "not wearing helmat "},
    {"bbox_2d": [5, 235, 63, 320], "label": "motorcyclist", "sub_label": "wearing helmat "}
]

3.增强文本识别和理解

Qwen2.5-VL将OCR识别能力提升到全新高度，多场景、多语言、多方向的文字识别和文本本地化性能增强，信息提取能力大幅提升，满足资质审核、金融业务等领域日益提升的数字化、智能化需求。

读取图片中所有文字，按行输出。
Qwen2.5-VL回答：平安喜乐八方来财顺风顺水顺财神暴富大吉诸事皆顺福时来运转发财如意有钱有势有前程好运来

4. 强大的文档解析功能

Qwen2.5-VL 设计了一种独特的文档解析格式，称为 QwenVL HTML 格式，该格式基于 HTML 提取布局信息。QwenVL HTML 可以在各种场景中进行文档解析，例如杂志、研究论文、网页，甚至移动端截图。

<html>
<body>
<h1 data-bbox="879 283 1605 348">Qwen2.5 Technical Report</h1>
<p data-bbox="1124 406 1360 456"></p>
<address class="author"><p>Qwen Team</p></address>
<div class="image" data-bbox="778 491 850 541"><img data-bbox="778 491 850 541"/></div>
<p data-bbox="885 491 1460 541">https://huggingface.co/Qwen</p>
<div class="image" data-bbox="778 541 850 589"><img data-bbox="778 541 850 589"/></div>
<p data-bbox="885 541 1708 589">https://modelscope.cn/organization/qwen</p>
<div class="image" data-bbox="792 589 850 639"><img data-bbox="792 589 850 639"/></div>
<p data-bbox="885 589 1584 639">https://github.com/QwenLM/Qwen2.5</p>
<h2 data-bbox="1143 681 1344 733">Abstract</h2>
<p data-bbox="434 785 2050 1252">In this report, we introduce Qwen2.5, a comprehensive series of large language models (LLMs) designed to meet diverse needs. Compared to previous iterations, Qwen 2.5 has been significantly improved during both the pre-training and post-training stages. In terms of pre-training, we have scaled the high-quality pre-training datasets from the previous 7 trillion tokens to 18 trillion tokens. This provides a strong foundation for common sense, expert knowledge, and reasoning capabilities. In terms of post-training, we implement intricate supervised finetuning with over 1 million samples, as well as multistage reinforcement learning, including offline learning DPO and online learning GRPO. Post-training techniques significantly enhance human preference, and notably improve long text generation, structural data analysis, and instruction following.</p>
<p data-bbox="434 1262 2050 1587">To handle diverse and varied use cases effectively, we present Qwen2.5 LLM series in rich configurations. The open-weight offerings include base models and instruction-tuned models in sizes of $0.5 \mathrm{~B}, 1.5 \mathrm{~B}, 3 \mathrm{~B}, 7 \mathrm{~B}, 14 \mathrm{~B}, 32 \mathrm{~B}$, and $72 \mathrm{~B}$ parameters. Quantized versions of the instruction-tuned models are also provided. Over 100 models can be accessed from Hugging Face Hub, ModelScope, and Kaggle. In addition, for hosted solutions, the proprietary models currently include two mixture-of-experts (MoE) variants: Qwen2.5-Turbo and Qwen2.5-Plus, both available from Alibaba Cloud Model Studio.</p>
<p data-bbox="434 1587 2050 2052">Qwen2.5 has demonstrated top-tier performance on a wide range of benchmarks evaluating language understanding, reasoning, mathematics, coding, human preference alignment, etc. Specifically, the open-weight flagship Qwen2.5-72B-Instruct outperforms a number of open and proprietary models and demonstrates competitive performance to the state-of-the-art open-weight model, Llama-3-405B-Instruct, which is around 5 times larger. Qwen2.5-Turbo and Qwen2.5-Plus offer superior cost-effectiveness while performing competitively against GPT-4o-mini and GPT-4o respectively. Additionally, as the foundation, Qwen2.5 models have been instrumental in training specialized models such as Qwen2.5-Math (Yang et al., 2024b), Qwen2.5-Coder (Hui et al., 2024), QwQ (Qwen Team, 2024d), and multimodal models.</p>
<div class="image" data-bbox="408 2275 2086 2800"><img data-bbox="408 2275 2086 2800"/></div>
<p data-bbox="289 2864 2202 3058">Figure 1: In the iterative development of the Qwen series, data scaling has played a crucial role. Qwen 2.5, which leverages 18 trillion tokens for pre-training, has demonstrated the most advanced capabilities within the Qwen series, especially in terms of domain expertise, underscoring the importance of scale together with mixture in enhancing the model’s capabilities.</p>
</body>
</html>

5. 增强视频理解能力

Qwen2.5-VL 的视频理解能力全面升级，在时序处理方面，我们引入了动态帧率（FPS）训练和绝对时间编码技术，使得模型不仅能够支持小时级超长视频理解，还能实现秒级事件定位，能够精准理解数小时级长视频内容，搜索视频中的特定事件，总结不同时间段的关键点，帮助用户快速高效地提取视频中蕴含的关键信息。

模型更新

Qwen2.5-VL相较于Qwen2-VL，增强了模型对时间和空间尺度的感知，并进一步简化了网络结构，提高模型效率。

时间和图像大小的感知

在空间维度上，Qwen2.5-VL不仅能将不同大小的图片动态转换为不同长度的token，还直接用图片的实际尺寸尺度来表示检测框、点等坐标，而无需进行传统的坐标归一化，让模型能够直接学习到图片的尺度。在时间维度上，引入了动态FPS（Frames Per Second）训练和绝对时间编码，将mRoPE的id直接与时间的快慢对齐，让模型能够通过时间维度id的间隔来学习到时间的节奏。

更简洁高效的视觉编码器

视觉编码器在多模态大型模型中起着至关重要的作用。我们从头开始训练了一个原生动态分辨率 ViT，包括 CLIP、视觉语言模型对齐和端到端训练阶段。为了解决多模态大型模型训练和测试阶段 ViT 负载不平衡的问题，我们引入了窗口注意，以有效减少 ViT 端的计算负载。在我们的 ViT 设置中，只有四层是全注意层，其余层使用窗口注意。最大窗口大小为 8x8，小于 8x8 的区域不需要填充；相反，它们保留其原始比例，确保模型保持原生分辨率。此外，为了简化整体网络结构，我们通过采用 RMNSorm 和 SwiGLU 结构使 ViT 架构与 LLM 更加一致。