Qwen 系列又推出了兩款令人矚目的新模型：Qwen 2.5 VL 和 Qwen 2.5 Max。
如果還停留在“DeepSeek 是最強”那一檔，就可能要重新考慮一下，因為這兩款模型的實力相當驚艷。

什么是 Qwen 2.5 VL？

先從 Qwen 2.5 VL 說起。它不僅能看圖識物，還能理解視頻、文本，具備執行電腦操作（agentic）的能力，甚至能做物體檢測等。

Qwen 2.5 VL 的核心特性

高級視覺理解

• 不只是識別常見物體（鮮花、鳥類等），還能處理復雜視覺元素，如圖表、圖標、排版布局等。
• 能理解圖像中的空間結構和文字內容，分析文檔或圖形信息時更得力。

Agentic 能力

• 可視為一個“視覺代理”，可以進行推理、執行命令、和工具動態交互。
• 能在電腦或手機等數字設備上自動化操作，無需對特定任務做額外微調。

長視頻理解

• 能處理超過一小時的視頻，并分段提取關鍵片段。
• 提供二級精度的事件定位，對總結和信息提取非常有用。

視覺定位

• 能識別圖像中的物體，并輸出精確的邊界框或關鍵點。
• 還能生成穩定的 JSON 結果用于描述對象屬性，方便結構化分析。

結構化輸出

• 可將掃描文件、發票、表單等轉化為可讀的數字數據，方便在金融和商務場景下使用。
• 自動化數據抽取，讓處理文檔更高效并保持高準確度。

強大的圖像識別

• 擁有非常廣泛的識別能力，從地標、動物、植物到流行文化元素都能辨識。
• 可以對多類別圖像進行識別和分類，適合檢索和分類等應用。

增強的文本與文檔解析

• OCR（光學字符識別）能力更強，多語言、多方向、多場景都能處理。
• 引入 QwenVL HTML 格式，能從雜志、論文、網頁中提取復雜的布局結構。

強化視頻處理

• 采用動態幀率訓練及絕對時間編碼，能精準把握時間信息。
• 在長視頻場景下的場景識別、事件提取和摘要能力更上一層樓。

性能優化

• Vision Transformer（ViT）中采用 Window Attention，保持精度同時減少計算量。
• 使用 RMSNorm、SwiGLU 等結構，使得它與 LLM 架構更好對齊。

多規格模型可選

• 提供 3B、7B、72B 三種大小，面向不同的硬件與應用需求。
• 同時在 Hugging Face、ModelScope 開源，基礎版與指令版都有。

接下來是 Qwen 2.5 Max

Qwen2.5 Max 則是另一款大殺器。下面簡單介紹它的核心功能。

Qwen 2.5 Max 的主要特點

大規模 MoE（Mixture-of-Experts）模型

• 采用專家混合架構，實現更高效的擴展性。
• 預訓練超過 20 萬億令牌（tokens），知識覆蓋面極廣。

強化的后期訓練

• 使用 SFT（Supervised Fine-Tuning）進行更好的任務定向調優。
• 通過人類反饋強化學習（RLHF）進一步對齊用戶偏好。

基準表現

• 在 Arena-Hard、LiveBench、LiveCodeBench、GPQA-Diamond 等測試上超越 DeepSeek V3。
• 在 MMLU-Pro（大學水平知識測評）上也保持領先或具備競爭力。

與主流模型對比

• 在對話與編程任務上，可與 GPT-4o、Claude-3.5-Sonnet 等商業模型一較高下。
• 底層模型能力勝過同樣開源的 DeepSeek V3 與 Llama-3.1–405B。

API 與 OpenAI 兼容

• 可以通過阿里云（Alibaba Cloud）訪問，并且兼容 OpenAI-API，使用方便。
• 輕松在 Python 或其他 OpenAI 支持的框架中集成。

總之，看得出來 Qwen 在下一盤大棋！

如何使用 Qwen 2.5 VL 與 Qwen 2.5 Max？

對于想嘗鮮或在項目中集成這兩款新模型，主要途徑大致有：

• 開源平臺：可以到 Hugging Face、ModelScope 等處找到對應倉庫，下載基礎版（Base）或指令版（Instruct）模型。
• 云端服務：阿里云已提供官方 API，并支持與 OpenAI 兼容的方式接入。只要你熟悉 Python 或 OpenAI SDK，就能快速上手。
• 本地部署（硬件允許的話）：如果在本地有足夠算力，可以下載合適大小的模型自行部署，用于敏感數據處理或離線場景。

從視覺理解到大規模推理，Qwen 2.5 VL 與 Qwen 2.5 Max 都彰顯了下一個階段的模型實力。對需要極致性能或全能 AI 方案的人來說，確實值得一試。