阿里巴巴发布 Qwen2.5-VL 视觉智能体模型

背景

Qwen2.5-VL 是阿里巴巴通义千问团队发布的视觉语言模型（vision-language model）。这类模型的输入是图片或视频加上文字，输出是文字回答，因此可以读懂图表、描述画面，或在图片中找到某个物体。Qwen2.5-VL 在此基础上同时扩展了三个方向：作为能够操作软件的智能体（agent），理解超长视频，以及输出可被程序直接使用的精确坐标。

发生了什么

2025 年 1 月，阿里巴巴发布 Qwen2.5-VL，共有 3B、7B、32B 和 72B 四种规模。除 72B 版本外，其余规模均以 Apache 2.0 许可证发布。^[2]

该模型被定位为视觉智能体。它能够对所看到的内容进行推理，并调用工具完成任务，包括在电脑和手机上执行操作。^[1]

关键细节

长视频理解是它的一个重点。Qwen2.5-VL 能够处理超过一小时的视频，并找出与问题相关的片段。^[1]

它的输出是结构化的。模型可以用边界框（bounding box）或点来定位物体，并以稳定的 JSON 格式输出坐标、属性，以及发票、表单等文档中的内容。^[1]

72B 版本公布的成绩为：MMMU 70.2，MathVista-MINI 74.8，DocVQA 96.4，ChartQA 89.5。视频测评 VideoMME 在无字幕时为 73.3，有字幕时为 79.1。^[1] 在智能体相关测试中，它在 ScreenSpot 上得分 87.1，在 ScreenSpot Pro 上得分 43.6。^[1]

部分评测名称需要解释。MMMU 考察模型对图文结合内容的跨学科理解，MathVista 考察结合视觉内容的数学推理，DocVQA 考察针对文档图片的问答，ChartQA 考察对图表的读取与推理。ScreenSpot 测试模型能否在屏幕上定位界面元素，ScreenSpot Pro 则是难度更高的版本。^[1]

影响

这次发布把屏幕与文档理解、长视频理解和物体定位等能力放进了同一个模型系列。由于输出是结构化的，其他程序可以直接读取结果，而不必再从自由文本中解析。较小的规模以 Apache 2.0 许可证发布，可以在该许可条件下使用和修改。^[2]