通义千问推出视觉了解模型Qwen2-VL-72B API已上线阿里云

来历：环球网

【环球网科技归纳报导】8月30日，阿里通义千问发布第二代视觉言语模型Qwen2-VL，旗舰模型 Qwen2-VL-72B的API已上线阿里云百炼渠道。

2023年8月，通义千问开源第一代视觉言语了解模型Qwen-VL，成为开源社区最受欢迎的多模态模型之一。短短一年内，模型下载量打破1000万次。现在，多模态模型在手机、车端等各类视觉辨认场景的落地正在加快，开发者和使用企业也分外重视Qwen-VL的晋级迭代。

比较上代模型，Qwen2-VL的根底功能全面提高。能够读懂不同分辨率和不同长宽比的图片，在MathVista、DocVQA、RealWorldQA、MTVQA 等基准测验创下全球抢先的体现；能够了解20分钟以上长视频，支撑依据视频的问答、对话和内容创造等使用；具有强壮的视觉智能体才能，可自主操作手机和机器人，凭借杂乱推理和决议计划的才能，Qwen2-VL 能够集成到手机、机器人等设备，依据视觉环境和文字指令进行主动操作；能了解图画视频中的多言语文本，包含中文、英文，大多数欧洲言语，日语、韩语、阿拉伯语、越南语等。

通义千问团队从六个方面评价了模型才能，包含归纳的大学标题、数学才能、文档表格多言语文字图画的了解、通用场景问答、视频了解、Agent 才能。Qwen2-VL-72B 在大部分的指标上都达到了最优，乃至超过了 GPT-4o 和 Claude3.5-Sonnet 等闭源模型，在文档了解方面优势特别显着，仅在归纳的大学标题方面与 GPT-4o 存在距离。