字典百科网（zdbk.com）1月28日消息，今天，阿里云通义千问开源全新的视觉模型Qwen2.5-VL，推出3B、7B和72B三个尺寸版本。

其中，旗舰版Qwen2.5-VL-72B在13项权威评测中夺得视觉理解冠军，超越GPT-4o与Claude3.5。

官方介绍称，新的Qwen2.5-VL能更准确地解析图像内容，突破性地支持超1小时的视频理解，可以在视频中搜索具体事件，并对视频的不同时间段进行要点总结，从而快速、高效地帮助用户提取视频中蕴藏的关键信息。

而且无需微调就可变身为一个能操控手机和电脑的AI视觉智能体（Visual Agents），实现给指定朋友送祝福、电脑修图、手机订票等多步骤复杂操作。

Qwen2.5-VL 不仅擅长识别常见物体，如花、鸟、鱼和昆虫，还能够分析图像中的文本、图表、图标、图形和布局。

此外，Qwen2.5-VL将OCR识别能力提升至一个新的水平，增强了多场景、多语言和多方向的文本识别和文本定位能力。同时，在信息抽取能力上进行大幅度增强，以满足日益增长的资质审核、金融商务等数字化、智能化需求。