论文信息与摘要（译文）

原文标题：Qwen2.5-VL Technical Report 中文译名：Qwen2.5-VL：面向细粒度感知与智能体的视觉语言模型 arXiv：2502.13923（v1）

本板块为论文全文的中文翻译，章节结构与「论文原文」板块一一对应。

Qwen Team

Alibaba Group

摘要

我们推出 Qwen2.5-VL，这是 Qwen 视觉-语言系列的最新旗舰模型，在基础能力和创新功能方面均取得了显著进展。Qwen2.5-VL 通过增强的视觉识别、精确的目标定位、强大的文档解析以及长视频理解能力，在理解和交互现实世界方面实现了重大飞跃。 Qwen2.5-VL 的一个突出特性是其能够使用边界框或点对目标进行精确定位。它能够从发票、表单和表格中稳健地提取结构化数据，并对图表、示意图和版面进行细致分析。为处理复杂输入，Qwen2.5-VL 引入了动态分辨率处理和绝对时间编码，使其能够处理不同尺寸的图像以及时长可达数小时的视频，并实现秒级事件定位。这使模型能够原生感知空间尺度和时间动态，而无需依赖传统的归一化技术。 通过从头训练原生动态分辨率视觉 Transformer（ViT）并引入窗口注意力机制，我们在保持原生分辨率的同时显著降低了计算开销。因此，Qwen2.5-VL 不仅在静态图像和文档理解方面表现出色，还能够作为交互式视觉智能体，在操作计算机和移动设备等现实场景中进行推理、使用工具并执行任务。该模型无需针对特定任务进行微调，即可在各领域实现强大的泛化能力。 Qwen2.5-VL 提供三种规模，以满足从边缘 AI 到高性能计算的多样化应用场景。旗舰模型 Qwen2.5-VL-72B 可与 GPT-4o 和 Claude 3.5 Sonnet 等最先进模型相媲美，尤其在文档和图表理解方面表现突出。较小的 Qwen2.5-VL-7B 和 Qwen2.5-VL-3B 模型在同类竞品中表现更优，即使在资源受限的环境中也能提供强大的能力。此外，Qwen2.5-VL 保持了稳健的语言性能，延续了 Qwen2.5 LLM 的核心语言能力。