編輯 | 伊風
阿里今天發(fā)了Qwen2.5-VL的32B版本，達到同等規(guī)模的SOTA模型，堪稱開發(fā)者福音！
千問接連兩三次的模型發(fā)布時間都不太湊巧。今日與DeepSeek V3的更新撞車，而上次發(fā)的QwQ-32B以輕量推理模型擊敗了DeepSeek R1,但風頭完全被Manus搶走了！
連網(wǎng)友都直呼阿里是AI屆汪峰。
圖片
不過話說回來，Qwen2.5-VL-32B這個模型還是很值得關(guān)注，作為阿里放出的第二大視覺模型，性能甚至超過了更大規(guī)模的 Qwen2-VL-72B-Instruct！主要有以下三方面優(yōu)勢：
- 回復(fù)更符合人類主觀偏好：調(diào)整了輸出風格，使回答更加詳細、格式更規(guī)范，并更符合人類偏好。
- 數(shù)學推理能力：復(fù)雜數(shù)學問題求解的準確性顯著提升。
- 圖像細粒度理解與推理：在圖像解析、內(nèi)容識別以及視覺邏輯推導等任務(wù)中表現(xiàn)出更強的準確性和細粒度分析能力。
從性能上看，Qwen2.5-VL-32B不僅在專長的視覺能力上一騎絕塵：
圖片
連純文本能力，都達到了同規(guī)模模型的SOTA級別：
圖片
無論是從開發(fā)者的本地部署需求出發(fā)，還是32B所做的架構(gòu)更新，都有可圈可點之處。
阿里大佬Binyuan Hui表示這個模型尺寸就是為開發(fā)人員準備的。
圖片
在X上找資料的時候，我們甚至發(fā)現(xiàn)網(wǎng)友曾向千問團隊大佬隔空喊話。千問的反饋速度可以啊，網(wǎng)友這波許愿成功！
圖片
海外網(wǎng)友也是對該模型贊美有加，經(jīng)過實測，該模型在識別物體、分析視覺效果、掃描等方面令人印象深刻！甚至能理解一小時的視頻！
圖片
現(xiàn)在，Qwen2.5-VL-32B已經(jīng)開源，大家可以在Qwen網(wǎng)頁版快速試用：
網(wǎng)頁版：https://chat.qwen.ai/
HF：https://huggingface.co/spaces/Qwen/Qwen2.5-VL-32B-Instruct
圖片
加上DeepSeek的更新，今天可以說是中國開源模型的Big Day。
一位網(wǎng)友在Hacker News上留言說：
很快我就不會再使用任何美國模型了，而是 100% 采用中國的開源模型。（美）基礎(chǔ)模型公司完了，只有賣鏟子的（如 Nvidia、基礎(chǔ)設(shè)施公司）和產(chǎn)品公司會贏。
圖片
1.案例實測：Qwen2.5-VL-32B可以做什么
雖然Qwen2.5-VL-32B并沒有類似R1的長推理能力，但是其視覺推理仍然表現(xiàn)出色！
先來看一個阿里blog里的demo案例：
用戶將高速的限速牌拍給了AI，并問到：我駕駛一輛大卡車行駛在這條路上，現(xiàn)在是 12 點鐘。我能在 13 點之前到達 110 公里多遠的地方嗎？
這個案例很有生活感了。就是咱們平時需要用的AI能力。
圖片
然后AI就開始提取圖片的信息，開始幫人吭哧吭哧地計算了。
最后表示：目標是 13:00 之前到達。然而，根據(jù)計算，你將在 13:06 抵達，已經(jīng)超過了 13:00。
圖片
知乎網(wǎng)友@北方的郎，以超市的智能預(yù)警系統(tǒng)為例，對Qwen2.5-VL-32B進行了一把實測。感覺攝像頭配個模型就可以出去打工了。先是測試了一個形跡可疑的男人：
圖片
模型給出了通知安保的建議。然后又用了一張正常的超市圖進行測試，還是做出了正確識別！
圖片
再來看一下Qwen2.5-VL-32B理解視頻的能力，據(jù)網(wǎng)友實測，本地部署后能做長達一小時的視頻理解。不過在網(wǎng)頁端，則支持10分鐘以內(nèi)的短視頻。
小編使用之前看華為Pura的發(fā)布會錄屏片段，詢問下智能助手小藝是如何在用戶的語音指令下，為觀看的B站視頻一鍵三連的：
圖片
Qwen2.5-VL-32B的響應(yīng)非常絲滑，而且主要的內(nèi)容都get到了。不過很可惜的是，我希望AI識別出來這是目前AI大熱的智能體方向，并基于此出發(fā)談?wù)劶夹g(shù)實現(xiàn)，這一點AI稍弱一些。
圖片
2.既要又要：更聰明、更輕量的模型是怎樣煉成的？
那么阿里是怎么做到讓32B模型如此優(yōu)秀的呢？
HF中給出了一些Qwen2.5-VL的技術(shù)細節(jié)，可以猜測這仍然是32B模型進化的方面。
讓 AI 更懂視頻：動態(tài)分辨率與幀率訓練
為了讓 AI 更好地理解視頻，Qwen2.5-VL 不僅能調(diào)整分辨率，還在時間維度上引入了動態(tài)幀率（FPS）采樣。這樣一來，模型可以在不同的采樣速率下分析視頻，適應(yīng)各種播放速度和場景。與此同時，mRoPE 也在時間維度上進行了升級——通過IDs（標識符）和絕對時間對齊，模型學會了理解時間序列和速度變化，甚至能精準定位關(guān)鍵時刻，讓視頻分析更智能。
高效精簡的視覺編碼器，讓推理更快
在視覺處理方面，這一版本的 Qwen2.5-VL 也進行了優(yōu)化。它在 ViT（視覺變換器） 中巧妙地加入了窗口注意力機制，顯著提升了訓練和推理的效率。
3.One More Thing：千問即將支持MCP
今天打開Qwen的網(wǎng)頁版，還發(fā)現(xiàn)千問已經(jīng)計劃支持MCP！
給不太熟悉MCP的朋友科普一句，這個開源協(xié)議由Anthropic去年年底提出，旨在統(tǒng)一大型語言模型（LLM）與外部數(shù)據(jù)源和工具之間的通信方式。簡單來說，MCP就像AI界的USB-C接口，讓AI系統(tǒng)能更方便地連接各種數(shù)據(jù)源和功能模塊，實現(xiàn)即插即用。
圖片
對于千問來說，接入MCP意味著它們可以更高效地獲取和處理外部信息，提升理解和決策能力。看來，阿里在智能體方向有了清晰的藍圖！
希望阿里下次發(fā)重磅更新的時候，能有運氣選到一個好時機，有實力的同時，也能獲得值得的口碑和聲量。
