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,，旗艦模型Qwen2-VL-72B的API已上線阿里云百煉平臺,。

據(jù)了解，Qwen2-VL在多個權威測評中刷新了多模態(tài)模型的最佳成績,，在部分指標上甚至超越了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，模型下載量突破1000萬次,。目前,，多模態(tài)模型在手機、車端等各類視覺識別場景的落地正在加速,，開發(fā)者和應用企業(yè)也格外關注Qwen-VL的升級迭代,。

相比上代模型，Qwen2-VL的基礎性能全面提升,?？梢宰x懂不同分辨率和不同長寬比的圖片,，在MathVista,、DocVQA,、RealWorldQA,、MTVQA等基準測試創(chuàng)下全球領先的表現(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、對話和內容創(chuàng)作等應用,。同時,，具備強大的視覺智能體能力，可自主操作手機和機器人,，借助復雜推理和決策的能力,，Qwen2-VL可以集成到手機、機器人等設備,，根據(jù)視覺環(huán)境和文字指令進行自動操作,。

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,。

通義千問團隊從六個方面評估了模型能力,，包括綜合的大學題目、數(shù)學能力,、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 在大部分的指標上都達到了最優(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，僅在綜合的大學題目方面與GPT-4o 存在差距,。