Qwen2.5 VL 72B Instruct

Суть

Это инструкция-ориентированная визуально-языковая модель команды Qwen. Она принимает текст и изображения и формирует текстовые ответы: может описывать увиденное, отвечать на вопросы по картинке и связывать визуальные данные с запросом.

Сильные стороны

Модель предназначена не только для распознавания объектов. Она анализирует текст, графики, диаграммы, значки и расположение элементов на изображении. Среди заявленных разработчиками задач — чтение документов, извлечение структурированных сведений из счетов, форм и таблиц, а также локализация объектов с помощью координатных рамок или точек. Для результатов в структурированном виде можно запросить, например, JSON с данными и координатами.

Контекст и модальности

Согласно данным каталога, длина контекста составляет 32 768 токенов. На вход подаются текст и изображения, на выходе — текст. Хотя описание семейства Qwen2.5-VL упоминает работу с видео, видео не указано среди входных модальностей этой конфигурации.

Типовые сценарии

Подходит для описания изображений, распознавания надписей, анализа таблиц и диаграмм, разбора сканов и форм, извлечения ключевых полей и поиска объектов на изображении. Её можно использовать как помощника для первичной обработки визуальных материалов, когда результат удобно получить в свободном тексте или структурированном формате.

Ограничения

Распознанный текст, значения в таблицах и координаты объектов могут содержать ошибки, особенно если изображение размыто, мелко или сложено из сложных элементов. Результаты, влияющие на важные решения, следует проверять по оригиналу. Доступная конфигурация возвращает текст; отдельный графический результат среди выходных модальностей не указан.

Отличие от соседей по семейству

В семействе Qwen2.5-VL представлены варианты разного размера, включая 3B, 7B и 72B. Эта версия относится к крупнейшему из перечисленных вариантов и ориентирована на задачи, где важны возможности визуального анализа. В сравнении с предшествующим Qwen2-VL разработчики выделяют улучшения в распознавании, разборе документов и локализации объектов.