8月30日消息，阿里通義千問發(fā)布第二代視覺語言模型Qwen2-VL。其中，旗艦?zāi)Ｐ?a class="innerlink" href="http://theprogrammingfactory.com/tags/Qwen2-VL-72B" target="_blank">Qwen2-VL-72B的API已上線阿里云百煉平臺。

據(jù)了解，Qwen2-VL在多個(gè)權(quán)威測評中刷新了多模態(tài)模型的最佳成績，在部分指標(biāo)上甚至超越了GPT-4o和Claude3.5-Sonnet等閉源模型。

2023年8月，通義千問開源第一代視覺語言理解模型Qwen-VL，成為開源社區(qū)最受歡迎的多模態(tài)模型之一。

短短一年內(nèi)，模型下載量突破1000萬次。目前，多模態(tài)模型在手機(jī)、車端等各類視覺識別場景的落地正在加速，開發(fā)者和應(yīng)用企業(yè)也格外關(guān)注Qwen-VL的升級迭代。

相比上代模型，Qwen2-VL的基礎(chǔ)性能全面提升?？梢宰x懂不同分辨率和不同長寬比的圖片，在MathVista、DocVQA、RealWorldQA、MTVQA等基準(zhǔn)測試創(chuàng)下全球領(lǐng)先的表現(xiàn)。

此外，Qwen2-VL可以理解20分鐘以上長視頻，支持基于視頻的問答、對話和內(nèi)容創(chuàng)作等應(yīng)用。同時(shí)，具備強(qiáng)大的視覺智能體能力，可自主操作手機(jī)和機(jī)器人，借助復(fù)雜推理和決策的能力，Qwen2-VL可以集成到手機(jī)、機(jī)器人等設(shè)備，根據(jù)視覺環(huán)境和文字指令進(jìn)行自動操作。

該模型還能理解圖像視頻中的多語言文本，包括中文、英文，大多數(shù)歐洲語言，日語、韓語、阿拉伯語、越南語等。

通義千問團(tuán)隊(duì)從六個(gè)方面評估了模型能力，包括綜合的大學(xué)題目、數(shù)學(xué)能力、文檔表格多語言文字圖像的理解、通用場景問答、視頻理解、Agent 能力。

Qwen2-VL-72B 在大部分的指標(biāo)上都達(dá)到了最優(yōu)，甚至超過了 GPT-4o 和 Claude3.5-Sonnet 等閉源模型，在文檔理解方面優(yōu)勢尤其明顯，僅在綜合的大學(xué)題目方面與GPT-4o 存在差距。