Qwen团队发布了最新的视觉语言模型Qwen2.5-VL，该模型在视觉理解、代理能力、长视频理解和结构化输出方面进行了显著增强。它不仅能识别常见物体，还能分析图像中的文本、图表和布局，并能充当视觉代理，进行推理和动态指挥。Qwen2.5-VL还能理解超过1小时的视频，精确定位视频片段，并支持不同格式的视觉定位，生成结构化输出，适用于金融、商业等领域。该模型通过动态分辨率和帧速率训练，以及引入窗口注意力机制来提高训练和推理速度，并开源了30亿、70亿和720亿参数的模型。

关键要点

• 🔍 视觉理解能力提升: Qwen2.5-VL不仅能识别花鸟鱼虫等常见物体，还能深入分析图像中的文本、图表、图标、图形和布局，更准确地提取视觉关键信息。

• 🤖 代理能力增强: Qwen2.5-VL可直接作为视觉代理，具备推理和动态指挥工具的能力，能应用于电脑和手机等设备，实现更有效的现实世界互动。

• 🎬 长视频理解与事件捕捉: Qwen2.5-VL能够理解超过1小时的视频，并通过精确定位相关视频片段来捕捉事件，为视频内容分析提供更强大的支持。

• 📍 多格式视觉定位: Qwen2.5-VL支持通过生成边界框或点来精确定位图像中的对象，并能为坐标和属性提供稳定的JSON输出，方便后续处理。

• 🧾 结构化输出能力: Qwen2.5-VL能对发票、表格等扫描件数据进行结构化输出，有助于在金融、商业等领域高效处理和分析数据。