您现在的位置是：主页 > 品牌 > 阿里巴巴 >
阿里推出全新视觉理解模型Qwen2-VL-72B，支持超长视频解析超过20分钟！
发布时间：2024年08月30日 15:41:56 阿里巴巴 人已围观
简介阿里通义千问于8月30日发布了第二代视觉语言模型Qwen2-VL，旗舰模型Qwen2-VL-72B的API已在阿里云百炼平台上线。该模型在多个权威测试中表现优异，刷新了多模态模型的最佳成绩，展现出强...
新标360快讯8月30日报道，阿里发布了第二代视觉语言模型Qwen2-VL，旗舰模型Qwen2-VL-72B的API已在阿里云的百炼平台上线。
据悉，Qwen2-VL在多项权威评测中刷新了多模态模型的最佳纪录，并在部分指标上超越了如GPT-4o和Claude3.5-Sonnet等闭源模型。
2023年8月，阿里开源了第一代视觉语言理解模型Qwen-VL，迅速成为开源社区中最受欢迎的多模态模型之一。
在短短一年内，该模型的下载量已超过1000万次。目前，多模态模型在手机、汽车等多种视觉识别场景中的应用逐步加速，开发者和应用企业对Qwen-VL的升级也表现出极大的关注。
相比于前一代，Qwen2-VL的基本性能得到了显著提升，能够理解不同分辨率及长宽比的图像，并在MathVista、DocVQA、RealWorldQA、MTVQA等基准测试中展现出全球领先的绩效。
此外，Qwen2-VL能够理解超过20分钟的长视频，支持视频问答、对话及内容创作等多种应用。同时，具备强大的视觉智能体功能，能够自主操控手机和机器人，凭借其复杂的推理与决策能力，Qwen2-VL可以集成到手机、机器人等设备中，根据视觉信息和文本指令进行自动化操作。
该模型还能理解图像视频中的多种语言文本，包括中文、英文、大部分欧洲语言、日语、韩语、阿拉伯语、越南语等。
通义千问团队从六个方面评估了模型的能力，包括大学题目的综合能力、数学能力、多语言文档表格的理解、通用场景问答、视频理解及智能体能力。
在大多数评测指标上，Qwen2-VL-72B表现优异，甚至超过了GPT-4o和Claude3.5-Sonnet等闭源模型，尤其在文档理解方面展现出明显优势，仅在综合大学题目方面与GPT-4o存在一定差距。
用户可通过阿里云百炼平台调用Qwen2-VL-72B的API：https://help.aliyun.com/zh/model-studio/developer-reference/qwen-vl-api
