license: apache-2.0 language:

• en pipeline_tag: image-text-to-text tags:
• multimodal library_name: transformers base_model:
• Qwen/Qwen2.5-VL-7B-Instruct

Qwen2.5-VL-7B-Instruct

简介

自Qwen2-VL发布五个月以来，众多开发者在Qwen2-VL视觉语言模型基础上构建了新模型，为我们提供了宝贵反馈。在此期间，我们专注于打造更具实用价值的视觉语言模型。今天，我们激动地推出Qwen家族最新成员：Qwen2.5-VL。

核心增强功能：

• 视觉理解能力：Qwen2.5-VL不仅能精准识别花鸟鱼虫等常见物体，更擅长分析图像中的文本、图表、图标、图形与版式布局。

• 智能体功能：可直接作为视觉智能体进行推理和工具动态调用，支持计算机与手机操作场景。

• 长视频理解与事件捕捉：能解析超过1小时的视频内容，新增精准定位相关视频片段的事件捕捉能力。

• 多格式视觉定位：通过生成边界框或坐标点精确定位图像物体，并能稳定输出包含坐标和属性的JSON格式结果。

• 结构化输出生成：针对发票扫描件、表单、表格等数据，支持内容结构化输出，为金融、商业等领域应用提供便利。

模型架构更新：

• 视频理解的动态分辨率与帧率训练：

通过动态FPS采样将动态分辨率扩展至时间维度，使模型能适应不同采样率的视频理解。相应地在时间维度更新mRoPE机制，结合ID与绝对时间对齐，使模型掌握时序与速度感知，最终获得精准时间定位能力。

• 精简高效的视觉编码器

通过策略性引入窗口注意力机制优化ViT架构，同时采用SwiGLU和RMSNorm使其与Qwen2.5大语言模型结构对齐，显著提升训练与推理速度。

我们提供30亿、70亿和720亿参数三个版本。本仓库包含指令微调的70亿参数模型。更多信息请访问博客和GitHub。