Qwen 系列又推出了兩款令人矚目的新模型：Qwen 2.5 VL 和 Qwen 2.5 Max。
如果還停留在“DeepSeek 是最強(qiáng)”那一檔，就可能要重新考慮一下，因?yàn)檫@兩款模型的實(shí)力相當(dāng)驚艷。

什么是 Qwen 2.5 VL？

先從 Qwen 2.5 VL 說(shuō)起。它不僅能看圖識(shí)物，還能理解視頻、文本，具備執(zhí)行電腦操作（agentic）的能力，甚至能做物體檢測(cè)等。

Qwen 2.5 VL 的核心特性

高級(jí)視覺(jué)理解

• 不只是識(shí)別常見物體（鮮花、鳥類等），還能處理復(fù)雜視覺(jué)元素，如圖表、圖標(biāo)、排版布局等。
• 能理解圖像中的空間結(jié)構(gòu)和文字內(nèi)容，分析文檔或圖形信息時(shí)更得力。

Agentic 能力

• 可視為一個(gè)“視覺(jué)代理”，可以進(jìn)行推理、執(zhí)行命令、和工具動(dòng)態(tài)交互。
• 能在電腦或手機(jī)等數(shù)字設(shè)備上自動(dòng)化操作，無(wú)需對(duì)特定任務(wù)做額外微調(diào)。

長(zhǎng)視頻理解

• 能處理超過(guò)一小時(shí)的視頻，并分段提取關(guān)鍵片段。
• 提供二級(jí)精度的事件定位，對(duì)總結(jié)和信息提取非常有用。

視覺(jué)定位

• 能識(shí)別圖像中的物體，并輸出精確的邊界框或關(guān)鍵點(diǎn)。
• 還能生成穩(wěn)定的 JSON 結(jié)果用于描述對(duì)象屬性，方便結(jié)構(gòu)化分析。

結(jié)構(gòu)化輸出

• 可將掃描文件、發(fā)票、表單等轉(zhuǎn)化為可讀的數(shù)字?jǐn)?shù)據(jù)，方便在金融和商務(wù)場(chǎng)景下使用。
• 自動(dòng)化數(shù)據(jù)抽取，讓處理文檔更高效并保持高準(zhǔn)確度。

強(qiáng)大的圖像識(shí)別

• 擁有非常廣泛的識(shí)別能力，從地標(biāo)、動(dòng)物、植物到流行文化元素都能辨識(shí)。
• 可以對(duì)多類別圖像進(jìn)行識(shí)別和分類，適合檢索和分類等應(yīng)用。

增強(qiáng)的文本與文檔解析

• OCR（光學(xué)字符識(shí)別）能力更強(qiáng)，多語(yǔ)言、多方向、多場(chǎng)景都能處理。
• 引入 QwenVL HTML 格式，能從雜志、論文、網(wǎng)頁(yè)中提取復(fù)雜的布局結(jié)構(gòu)。

強(qiáng)化視頻處理

• 采用動(dòng)態(tài)幀率訓(xùn)練及絕對(duì)時(shí)間編碼，能精準(zhǔn)把握時(shí)間信息。
• 在長(zhǎng)視頻場(chǎng)景下的場(chǎng)景識(shí)別、事件提取和摘要能力更上一層樓。

性能優(yōu)化

• Vision Transformer（ViT）中采用 Window Attention，保持精度同時(shí)減少計(jì)算量。
• 使用 RMSNorm、SwiGLU 等結(jié)構(gòu)，使得它與 LLM 架構(gòu)更好對(duì)齊。

多規(guī)格模型可選

• 提供 3B、7B、72B 三種大小，面向不同的硬件與應(yīng)用需求。
• 同時(shí)在 Hugging Face、ModelScope 開源，基礎(chǔ)版與指令版都有。

接下來(lái)是 Qwen 2.5 Max

Qwen2.5 Max 則是另一款大殺器。下面簡(jiǎn)單介紹它的核心功能。

Qwen 2.5 Max 的主要特點(diǎn)

大規(guī)模 MoE（Mixture-of-Experts）模型

• 采用專家混合架構(gòu)，實(shí)現(xiàn)更高效的擴(kuò)展性。
• 預(yù)訓(xùn)練超過(guò) 20 萬(wàn)億令牌（tokens），知識(shí)覆蓋面極廣。

強(qiáng)化的后期訓(xùn)練

• 使用 SFT（Supervised Fine-Tuning）進(jìn)行更好的任務(wù)定向調(diào)優(yōu)。
• 通過(guò)人類反饋強(qiáng)化學(xué)習(xí)（RLHF）進(jìn)一步對(duì)齊用戶偏好。

基準(zhǔn)表現(xiàn)

• 在 Arena-Hard、LiveBench、LiveCodeBench、GPQA-Diamond 等測(cè)試上超越 DeepSeek V3。
• 在 MMLU-Pro（大學(xué)水平知識(shí)測(cè)評(píng)）上也保持領(lǐng)先或具備競(jìng)爭(zhēng)力。

與主流模型對(duì)比

• 在對(duì)話與編程任務(wù)上，可與 GPT-4o、Claude-3.5-Sonnet 等商業(yè)模型一較高下。
• 底層模型能力勝過(guò)同樣開源的 DeepSeek V3 與 Llama-3.1–405B。

API 與 OpenAI 兼容

• 可以通過(guò)阿里云（Alibaba Cloud）訪問(wèn)，并且兼容 OpenAI-API，使用方便。
• 輕松在 Python 或其他 OpenAI 支持的框架中集成。

總之，看得出來(lái) Qwen 在下一盤大棋！

如何使用 Qwen 2.5 VL 與 Qwen 2.5 Max？

對(duì)于想嘗鮮或在項(xiàng)目中集成這兩款新模型，主要途徑大致有：

• 開源平臺(tái)：可以到 Hugging Face、ModelScope 等處找到對(duì)應(yīng)倉(cāng)庫(kù)，下載基礎(chǔ)版（Base）或指令版（Instruct）模型。
• 云端服務(wù)：阿里云已提供官方 API，并支持與 OpenAI 兼容的方式接入。只要你熟悉 Python 或 OpenAI SDK，就能快速上手。
• 本地部署（硬件允許的話）：如果在本地有足夠算力，可以下載合適大小的模型自行部署，用于敏感數(shù)據(jù)處理或離線場(chǎng)景。

從視覺(jué)理解到大規(guī)模推理，Qwen 2.5 VL 與 Qwen 2.5 Max 都彰顯了下一個(gè)階段的模型實(shí)力。對(duì)需要極致性能或全能 AI 方案的人來(lái)說(shuō)，確實(shí)值得一試。