Qwen2.5vl

🚀 NexaAI/qwen2.5vl

本项目提供了基于图像文本到文本的多模态模型 NexaAI/qwen2.5vl，它在视觉理解、视频处理、结构化输出等方面有显著提升，可通过 nexa-sdk 直接运行。

🚀 快速开始

在安装 nexa-sdk 后，可直接运行该模型。在 nexa-sdk 命令行界面中执行以下命令：

NexaAI/qwen2.5vl

可用的量化模型

✨ 主要特性

在 Qwen2-VL 发布后的五个月里，众多开发者基于该视觉语言模型构建了新模型，并提供了宝贵反馈。在此期间，团队专注于构建更实用的视觉语言模型。如今，我们很高兴地推出 Qwen 家族的最新成员：Qwen2.5-VL。

主要改进点：

• 强大的视觉理解能力：Qwen2.5-VL 不仅擅长识别常见的花鸟鱼虫等物体，还能高效分析图像中的文本、图表、图标、图形和布局。
• 智能代理功能：Qwen2.5-VL 可直接作为视觉代理，能够进行推理并动态调用工具，支持计算机和手机的使用场景。
• 长视频理解与事件捕捉：Qwen2.5-VL 可以理解超过 1 小时的视频，并且新增了通过定位相关视频片段来捕捉事件的能力。
• 多格式视觉定位：Qwen2.5-VL 可以通过生成边界框或点来精确地定位图像中的物体，并能为坐标和属性提供稳定的 JSON 输出。
• 结构化输出支持：对于发票、表单、表格等扫描数据，Qwen2.5-VL 支持对其内容进行结构化输出，在金融、商业等领域具有广泛应用价值。

📚 详细文档

图像基准测试结果

视频基准测试结果

代理基准测试结果

📄 许可证

本项目采用 Apache-2.0 许可证。

🔗 参考资料

原始模型卡片：Qwen/Qwen2.5-VL-7B-Instruct