阿里开源视觉大模型Qwen2-VL：可理解20分钟长视频，性能比肩GPT-4o

智东西
编译 Vendii
编辑 漠影

智东西8月30日消息，阿里通义千问于昨日开源新一代视觉语言模型Qwen2-VL。其中，Qwen2-VL-72B在大部分指标上都达到了最优，刷新了开源多模态模型的最好表现，甚至超过了GPT-4o和Claude 3.5 Sonnet等闭源模型。

据官方博客文章介绍，Qwen2-VL基于Qwen2打造，相比第一代Qwen-VL，Qwen2-VL具有以下特点：

1、能读懂不同分辨率和不同长宽比的图片：Qwen2-VL在多个视觉理解基准测试中取得了全球领先的表现，其中包括但不限于考察数学推理能力的MathVista、考察文档图像理解能力的DocVQA、考察真实世界空间理解能力的RealWorldQA、考察多语言理解能力的MTVQA。

2、能理解20分钟以上的长视频：Qwen2-VL可理解长视频，并将其用于基于视频的问答、对话和内容创作等应用中。

3、能够操作手机和机器人的视觉智能体：借助复杂推理和决策的能力，Qwen2-VL可集成到手机、机器人等设备，根据视觉环境和文字指令进行自动操作。

4、多语言支持：除英语和中文外，Qwen2-VL现在还支持理解图像中的多语言文本，包括大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。

通义千问团队以Apache 2.0协议开源了Qwen2-VL-2B和Qwen2-VL-7B，并发布了Qwen2-VL-72B的API。开源代码已集成到Hugging Face Transformers、vLLM和其他第三方框架中。

GitHub项目地址：https://github.com/QwenLM/Qwen2-VL

一、媲美GPT-4o！多个指标刷新最好表现，3种规模模型开源

通义千问团队从6个方面来评估Qwen2-VL分别在72B、7B、2B三种规模上的视觉能力，包括复杂的大学水平问题解决、数学能力、文档和表格的理解、多语言文本图像的理解、通用场景问答、视频理解、视觉智能代理（Visual AI Agent）能力。

整体来看，Qwen2-VL-72B在大部分指标上都达到了最优，甚至超过了GPT-4o和Claude 3.5 Sonnet等闭源模型。

具体而言，该模型在文档理解方面优势明显，仅在复杂的大学水平问题解决方面和GPT-4o还有差距。同时，Qwen2-VL 72B也刷新了开源多模态模型的最好表现。

▲Qwen2-VL-72B模型能力分数比较（图源：通义千问团队官方博客文章）

在7B规模上，Qwen2-VL同样支持单图、多图、视频的输入，在更经济的规模上也实现了有竞争力的性能表现。

比如，Qwen2-VL-7B在DocVQA考察的文档理解能力，以及MTVQA考察的多语言文本图片理解能力都处于SOTA水平。在AI领域，SOTA模型通常是指在特定任务或数据集上性能表现最优的模型。

▲Qwen2-VL-7B模型能力分数比较（图源：通义千问团队官方博客文章）

除此之外，通义千问团队还提供了一个更小的2B规模的模型，以此支持移动端的丰富应用。Qwen2-VL-2B具备完整图像视频多语言的理解能力，特别在视频文档和通用场景问答方面，相较同规模模型优势明显。

▲Qwen2-VL-2B模型能力分数比较（图源：通义千问团队官方博客文章）

二、手写字体、公式代码、网页截屏、视频影像……多场景识别理解不在话下

在官方博客文章列举的多个模型能力案例中，Qwen2-VL覆盖了广阔的应用场景：能识别手写文字、图中文字，能转写数学公式、多种语言文字，能解数学几何题、LeetCode编程题，能读懂不同分辨率和不同长宽比的图片，能用特定格式输出答案，还能对视频内容进行总结和解读。

1、准确识别图中文字，轻松转写数学公式

对于下图列举出来的手写文字、融合在图像中的文字，Qwen2-VL都能准确地识别出对应的语种和文字内容（图中分别涉及到葡萄牙语、中文）。对于下图右下角，Qwen2-VL不只能识别出具体的数字，还能识别出各个数字对应的盒子的颜色。

▲Qwen2-VL能够准确识别图中的文字（图源：通义千问团队官方博客文章）

对于下图左半边中涉及到的复杂数学公式，Qwen2-VL可以轻松地用Markdown格式转写出来。对于下图右半边中涉及到的中文、日语、韩语、西班牙语、葡萄牙语、爱尔兰语、英语、德语、波兰语、希腊语、越南语、蒙古语、俄语、印地语、斯瓦希里语，Qwen2-VL也能一字不落地转录出来。

▲Qwen2-VL能够准确转录图中的复杂公式和多语种（图源：通义千问团队官方博客文章）

2、理解现实世界信息，准确输出问题答案

对于数学平面几何题目、LeetCode平台的编程题目、1792×14400尺寸的技术文档截图，Qwen2-VL也能识别理解并回答用户的提问。

▲Qwen2-VL能够解决的各种问题（图源：通义千问团队官方博客文章）

Qwen2-VL还能基于天气预报软件的截屏、网页搜索结果的截屏、Linux官方档案库的截屏等等抓取用户需要的信息，用特定格式（如表格、段落编号方式、JSON格式的数组）输出。

▲Qwen2-VL回答支持多种格式（图源：通义千问团队官方博客文章）

3、总结视频要点，解读视频内容

此外，除了静态图像，Qwen2-VL还能进行视频内容分析。它能够总结视频要点、即时回答相关问题，并维持连贯对话，帮助用户从视频中获取有价值的信息。

比如下图中，用户上传了一段2分57秒的视频，并让Qwen2-VL描述这段视频，描述的内容非常详细且准确。然后用户提问了视频中人物穿着的衣服的颜色，Qwen2-VL也给到了符合视频内容的回答。

▲Qwen2-VL能够识别视频，并围绕该视频回答相应问题（图源：通义千问团队官方博客文章）

三、实时数据检索+实时环境交互，或将碰撞出更多可能性

据官方博客文章介绍，Qwen2-VL在作为视觉代理方面展现出潜力，能初步利用视觉能力实现一些自动化工具的调用和交互。

视觉代理（Visual Agent）通常指的是一种AI系统，它能够处理和理解视觉信息（如图像或视频），并在此基础上进行决策或执行任务。

Qwen2-VL支持函数调用，使其能够利用外部工具进行实时数据检索，比如航班状态、天气预报、包裹追踪。

▲Qwen2-VL根据用户提供的航班信息调用“weather_hour24”工具查询天气状况（图源：通义千问团队官方博客文章）

通义千问团队还初步做了一些简单的探索，让模型能够更像人一样和环境交互。“使得Qwen2-VL不仅作为观察者，而是能有代替人做更多的执行者的可能。”官方博客文章写道。

在以下视频中，Qwen2-VL可以直接代替人类操作手机。

//oss.zhidx.com/uploads/2024/08/66d1849a8bb52_66d1849a87e91_66d1849a87e69_Qwen2-VL-更清晰地看世界-Qwen1.mp4

▲Qwen2-VL进行视觉交互并自主操作手机（图源：通义千问团队官方博客文章）

以及以下视频中，Qwen2-VL能根据识别到的场上信息和提示词描述进行“24点”游戏的决策，并且取得了胜利。

//oss.zhidx.com/uploads/2024/08/66d183a39e476_66d183a3990d6_66d183a3990b0_Qwen2-VL-更清晰地看世界-Qwen2.mp4

▲Qwen2-VL进行视觉交互并完成纸牌游戏（图源：通义千问团队官方博客文章）

结语：语言能力已经远远不够！模型正在卷向多模态

随着AI技术的飞速发展，语言模型曾一度成为技术竞争的焦点，但自2023年3月15日OpenAI发布了能够读图的GPT-4后，多模态模型的战鼓也是越敲越响。模型不再局限于处理单一的文本数据，而是通过整合图像、视频、音频等多种信息源，展现出更为强大的认知和理解能力。

视觉语言模型是多模态模型领域内的一个重要细分方向。这些模型通过结合计算机视觉与自然语言处理技术，在图像理解、生成及跨模态交互等领域展现出巨大潜力。它们可以被应用于视觉问答（VQA）、图像分类、目标检测、图像分割等多种任务，未来有望在医疗诊断、机器人技术等领域内实现更加广泛的应用。

来源：GitHub