MODEL

Qwen2.5-VL

Qwen2.5-VL 是阿里云 Qwen 团队发布的视觉语言模型系列，包含 3B、7B 和 72B 型号。模型支持文本、图像和视频输入，可生成文本，并具备文档解析、视觉定位、结构化输出和长视频理解能力。

发布日期：

2025-01-26

参数量：

3B、7B、72B

架构：

Qwen2.5 语言模型结合视觉编码器；视频理解采用动态帧率采样和时间维度 mRoPE，视觉编码器使用窗口注意力、SwiGLU 与 RMSNorm。

输入输出：

文本 + 图像 + 视频 → 文本

交互方式：

普通请求

开放方式：

部分开源