這場虛擬人爭奪戰，互聯網巨頭下場先贏一半？
撰文/ 孟會緣 近兩年間，要論引得無數互聯網巨頭競折腰的一大熱門產業，莫過于元宇宙領域中的數字人了。 作為繼數字藏品之后，開發元宇宙的又一重點落地項目，互聯網
1 月 28 日消息，阿里通義千問官方今日發文宣布，開源全新的視覺理解模型 Qwen2.5-VL——Qwen 模型家族的旗艦視覺語言模型，推出了 3B、7B 和 72B 三個尺寸版本。
附 Qwen2.5-VL 的主要特點如下：
視覺理解：Qwen2.5-VL 不僅擅長識別常見物體，如花、鳥、魚和昆蟲，還能夠分析圖像中的文本、圖表、圖標、圖形和布局。
代理：Qwen2.5-VL 直接作為一個視覺 Agent，可以推理并動態地使用工具，初步具備了使用電腦和使用手機的能力。
理解長視頻和捕捉事件：Qwen2.5-VL 能夠理解超過 1 小時的視頻，并且這次它具備了通過精準定位相關視頻片段來捕捉事件的新能力。
視覺定位：Qwen2.5-VL 可以通過生成 bounding boxes 或者 points 來準確定位圖像中的物體，并能夠為坐標和屬性提供穩定的 JSON 輸出。
結構化輸出：對于發票、表單、表格等數據，Qwen2.5-VL 支持其內容的結構化輸出，惠及金融、商業等領域的應用。
據官方介紹，在旗艦模型 Qwen2.5-VL-72B-Instruct 的測試中，它在一系列涵蓋多個領域和任務的基準測試中表現出色，包括大學水平的問題、數學、文檔理解、視覺問答、視頻理解和視覺 Agent。Qwen2.5-VL 在理解文檔和圖表方面具有優勢，并且能夠作為視覺 Agent 進行操作，而無需特定任務的微調。
另外，在較小的模型方面，Qwen2.5-VL-7B-Instruct 在多個任務中超越了 GPT-4o-mini，而 Qwen2.5-VL-3B 作為端側 AI 的潛力股，超越了之前版本 Qwen2-VL 的 7B 模型。
阿里通義千問官方表示，與 Qwen2-VL 相比，Qwen2.5-VL 增強了模型對時間和空間尺度的感知能力，并進一步簡化了網絡結構以提高模型效率。后續將進一步提升模型的問題解決和推理能力，同時整合更多模態，使模型變得更加智能，并向能夠處理多種輸入類型和任務的綜合全能模型邁進。
本文鏈接：http://www.tebozhan.com/showinfo-45-10327-0.html阿里通義千問全新視覺理解模型 Qwen2.5-VL 開源：三尺寸版本、支持理解長視頻和捕捉事件等能力
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號