刚刚，通义千问团队发布了Qwen2.5-VL的应用案例集，该案例集包含了多个文档，展示了其在本地模型和API方面丰富的应用场景。

在计算机操作应用中，模型能截取桌面截图并解读用户查询意图；空间理解应用展示了模型先进的空间定位与复杂场景解读能力；文档解析应用表明了模型强大的文档处理能力，还引入独特的Qwenvl HTML格式；移动智能体应用通过智能体函数调用可以与移动设备交互；光学字符识别应用可从图像提取识别文本；通用识别应用可接收图像和查询指令解读意图；视频理解应用能理解超1小时视频，可用于多种视频分析场景。

Qwen2.5-VL是通义千问团队于1月26日发布的全新旗舰视觉语言模型，相较于之前的Qwen2-VL有重大飞跃。用户可访问通义千问聊天平台，选择Qwen2.5-VL-72B-Instruct模型进行体验，其基础模型和指令模型在Hugging Face和魔搭社区（ModelScope）开放，涵盖30亿、70亿和720亿参数规模。

该模型具备诸多核心特性：视觉理解能力出色，能识别常见物体，还能分析图像中的文本、图表等；智能体功能强大，可作为视觉智能体推理并动态调用工具；能理解超1小时长视频，新增精准定位相关视频片段捕捉事件能力；多格式视觉定位精准，可精准定位图像中物体并输出JSON格式数据；支持发票、表单等扫描数据结构化输出，方便金融、商业领域应用。

性能表现上，旗舰模型Qwen2.5-VL-72B-Instruct在多领域多任务基准测试中表现出色，在文档和图表理解方面优势显著，无需针对特定任务微调就能发挥视觉智能体作用。较小参数模型中，Qwen2.5-VL-7B-Instruct在多项任务上超越GPT-4o-mini，Qwen2.5-VL-3B作为边缘AI解决方案性能超过上一版本Qwen2-VL的70亿参数模型。

模型能力方面，全球图像识别能力卓越，图像类别扩展到超大量级；能精确目标定位，利用边界框和基于点的表示实现分层定位和标准化JSON输出；文本识别与理解能力升级，OCR识别及多场景文本定位性能增强，信息提取能力也显著提升；有强大的文档解析能力，设计独特的QwenVL HTML格式基于HTML提取布局信息，可在多种场景解析文档；视频理解能力增强，引入动态帧率训练和绝对时间编码技术，支持超长视频理解和秒级事件定位。

相较于Qwen2-VL，Qwen2.5-VL增强了模型对时间和空间尺度的感知能力，简化了网络结构以提高效率。在空间维度能动态转换图像尺寸标记，直接用实际尺寸比例表示坐标；时间维度引入动态帧率训练和绝对时间编码，让模型学习时间节奏。全新训练原生动态分辨率的视觉Transformer，引入窗口注意力机制降低计算负载，采用RMSNorm和SwiGLU结构简化网络，使ViT架构与大语言模型更一致。未来，该团队表示还将进一步提升模型的问题解决和推理能力，融入更多模态，使其朝着集成全能模型迈进。