通义千问 Qwen2.5-VL 视觉语言模型

是什么

Qwen2.5-VL（通义千问 2.5 视觉语言模型）是阿里巴巴 Qwen 团队推出的视觉语言模型系列。它以图像、视频和文字作为输入，并以文字作答。该系列于 2025 年 1 月发布，尺寸为 3B、7B、32B 和 72B，除 72B 外均采用 Apache 2.0 许可。^[2] 2025 年 3 月 24 日，Qwen2.5-VL-32B-Instruct 加入该系列，同样采用 Apache 2.0 许可。^[2]

由来

Qwen2.5-VL 是 Qwen2-VL 的继任者。^[2] 其架构把动态分辨率和帧率采样扩展到了时间维度，让 mRoPE 与绝对时间对齐，并采用带窗口注意力（window attention）的视觉编码器，同时使用 SwiGLU 和 RMSNorm 等组件。^[1]

主要特点

模型能够读取文字、图表、图标、图形和版面，也能识别常见物体。^[1] 它可以作为视觉代理工作，推理并调用工具，包括操作电脑和手机。^[1] 它还能理解一小时以上的视频，并定位相关的事件片段。^[1]

它可以用边界框或点来定位物体，并能为坐标、属性以及发票、表单等文档输出格式稳定的 JSON。^[1] 这种结构化输出使程序可以直接读取模型的回答，而不必解析自由文本。

在基准测试中，Qwen2.5-VL-72B 在 MMMU 上得分 70.2，在 MathVista-MINI 上得分 74.8，在 DocVQA 上得分 96.4，在 ChartQA 上得分 89.5。在视频基准 VideoMME 上，无字幕时得分 73.3，有字幕时得分 79.1。^[1] 在代理基准上，它在 ScreenSpot 上得分 87.1，在 ScreenSpot Pro 上得分 43.6。^[1]

上文提到的几项基准测试各考查不同的能力。MMMU 考查对图像的跨学科理解，DocVQA 考查对文档图像的问答，ChartQA 考查对图表的读取与推理，VideoMME 考查视频理解。ScreenSpot 则考查模型能否根据描述在图形界面中定位元素。这些分数是团队报告的数字，它们反映的是模型在相应测试中的表现，而不是在所有任务上的表现。

在发展中的位置

Qwen2.5-VL 承接的是 Qwen2-VL。^[2] 2025 年 9 月，它由 Qwen3-VL 接替。^[2]