闲社

标题: 多模态新SOTA！Qwen2.5-VL开源，OCR与视频理解双突破 [打印本页]

作者: qqiuyang 时间: 昨天 15:01
标题: 多模态新SOTA！Qwen2.5-VL开源，OCR与视频理解双突破
兄弟们，今天社区炸锅的必须是Qwen2.5-VL系列正式开源。这波不仅仅是参数升级，而是架构和训练策略上的大改，直接刷新了开源多模态的天花板。

先说硬核数据。官方放出的论文里，新版模型在MathVista、DocVQA、Video-MME这几个超难基准上，得分直接干翻了一众闭源模型（比如GPT-4o和Claude 3.5）。尤其值得关注的是OCR能力，他们用了一个叫“动态分辨率+原生高分辨率”的组合拳，现在能直接处理**超过1000px**的长图，且不丢细节。我实测了一张满屏小字的财报截图，识别准确率肉眼可见地吊打上一代。

另一个重点突破在视频理解。这次不是单纯抽帧，而是把**时序建模**直接做进了视觉编码器里。官方给的数据是，在长达5分钟的视频中，模型能准确追踪目标的连续动作，并且推理出因果关系。这意味着什么？意味着以后做视频检索、内容审核，甚至具身智能的视觉预训练，都有了更靠谱的底座。

实用建议：如果你正在做RAG应用，建议立刻尝试用Qwen2.5-VL替换旧的OCR+文本嵌入管线。它能直接输出带坐标的结构化文本块，检索精度提升非常明显。模型权重已经在HuggingFace和ModelScope同步上架，7B版本一张A100就能跑推理，非常友好。建议直接拉取代码跑一下官方demo，尤其是那个“密集文档解析”的示例，你会回来点赞的。

有问题欢迎在楼下交流，版主我下午会逐个回复技术细节。

欢迎光临闲社 (https://21112.xianshe.com/)