Qwen: Qwen2.5-VL 7B Instruct

Qwen 团队的 Qwen2.5-VL 7B Instruct 是一款高度先进的多模态大型语言模型，专为卓越的视觉理解而设计。它在 MathVista、DocVQA、RealWorldQA 和 MTVQA 等各种视觉基准测试中取得了最先进的性能，无论图像分辨率或宽高比如何，都展现出卓越的理解能力。 除了静态图像，Qwen2.5-VL 7B Instruct 还能理解超过 20 分钟的视频，从而实现高质量的基于视频的问答、对话和内容创作。其先进的推理和决策能力使其能够充当代理，根据视觉环境和文本指令操作移动设备或机器人。该模型还提供强大的多语言支持，能够理解图像中多种语言的文本，包括大多数欧洲语言、日语、韩语、阿拉伯语和越南语。它具有 32K token 的上下文窗口和 4K token 的最大输出，定价为每 1M token（输入/输出）0.20 美元。在 Multi AI 上免费访问这款强大的视觉模型。 此模型的使用受 Tongyi Qianwen 许可协议的约束。