震撼！阿里Qwen团队发布能控PC和手机的AI模型Qwen2.5-VL

字数 880，阅读大约需 5 分钟

在人工智能领域不断创新突破的浪潮中，各大企业都在竞相发力。近日，中国的科技巨头阿里巴巴便有了新动作。

阿里巴巴的Qwen团队于1月27日周一发布了全新的AI模型家族——Qwen2.5-VL。阿里巴巴作为全球知名的互联网企业，在云计算、人工智能等领域一直投入大量资源进行研发，其Qwen团队在AI技术探索上也有着深厚的积累。

Qwen2.5-VL具有强大的功能，它可以执行众多文本和图像分析任务。比如，能够轻松解析各类文件，无论是复杂的文档格式还是特殊的编码文件；可以精准理解视频内容，就算是时长数小时的视频也能“领会”其中要点；还能准确地对图像中的物体进行计数。值得一提的是，它还可以像OpenAI的Operator模型那样控制PC。据Qwen团队的基准测试显示，性能最佳的Qwen2.5-VL模型在视频理解、数学运算、文档分析以及问答评估等一系列项目中，击败了OpenAI的GPT-4o、Anthropic的Claude 3.5 Sonnet和谷歌的Gemini 2.0 Flash等业界知名模型。

Qwen2.5-VL的功能远不止于此，用户可以在阿里巴巴的Qwen Chat应用^[1]中对其进行测试，也能从AI开发平台Hugging Face^[2]下载。它能够分析图表和图形，从发票和表单的扫描件中提取数据。并且，该模型还能够识别影视剧中的IP以及各种各样的产品，这或许意味着在训练过程中它使用了部分版权作品。

当然，作为中国公司开发的AI，Qwen2.5-VL在话题讨论上存在一定限制。比如在Qwen Chat中，当询问最大且性能最强的Qwen2.5-VL-72B模型关于“Xi Jinping的错误”时，Qwen Chat会显示错误消息。这是因为中国互联网监管机构对国内开发的许多模型进行基准测试，以确保其响应“体现社会主义核心价值观”，许多中国AI系统都会对可能引发监管问题的话题，如台湾自治等，拒绝回应。

Qwen2.5-VL还有一个非常有趣的功能，就是能够与PC和移动设备上的软件进行交互。Hugging Face的技术负责人Philipp Schmid在X上发布的视频显示，Qwen2.5-VL可以启动安卓系统的Booking.com应用，并预订从重庆到北京的航班。不过，在另一个展示Qwen2.5-VL在Linux桌面上控制应用的视频中可以看到，它除了切换标签页外，似乎没有太多其他操作。而且，Qwen的基准测试表明，Qwen2.5-VL在模拟真实计算机环境的OSWorld基准测试中得分较低。

在授权方面，Qwen2.5-VL系列中的两个较小、复杂程度较低的模型Qwen2.5-VL-3B和Qwen2.5-VL-7B采用宽松的许可协议。而旗舰模型Qwen2.5-VL-72B则采用阿里巴巴的定制许可，要求月活跃用户超过1亿的公司和开发人员在商业部署该模型前，需向Qwen/阿里巴巴请求许可。