Qwen2-VL

日前，阿里通义千问开源第二代视觉语言模型Qwen2-VL，推出2B、7B两个尺寸及其量化版本模型。Qwen2-VL在多个权威测评中创造了同等规模开源模型的良好成绩，能够识别不同分辨率和长宽比的图片，能够理解20分钟以上长视频，还具备自主操作手机和机器人的视觉智能体能力。

2023年8月，通义千问开源第一代视觉语言理解模型Qwen-VL，成为开源社区最受欢迎的多模态模型之一。短短一年内，模型下载量突破1000万次。目前，多模态模型在手机、车端等各类视觉识别场景的落地正在加速，开发者和应用企业也格外关注Qwen-VL的升级迭代。

相比上一代模型，Qwen2-VL的基础性能全面提升。可以读懂不同分辨率和不同长宽比的图片；可以理解20分钟以上长视频，支持基于视频的问答、对话和内容创作等应用；具备强大的视觉智能体能力，可自主操作手机和机器人，借助复杂推理和决策能力，Qwen2-VL可以集成到手机、机器人等设备，根据视觉环境和文字指令进行自动操作；能理解图像视频中的多语言文本，包括中文、英文，大多数欧洲语言，日语、韩语、阿拉伯语、越南语等。

通义千问团队从六个方面评估了模型能力，包括综合的大学题目、数学能力、文档表格多语言文字图像的理解、通用场景问答、视频理解、Agent能力。Qwen2-VL-7B以其“经济型”参数规模实现了极具竞争力的性能表现；Qwen2-VL-2B则可支持移动端的丰富应用，同样具备完整图像视频多语言的理解能力，在视频文档和通用场景问答方面，相比同规模模型优势显著。

据通义千问方面介绍，已通过 Apache 2.0 协议开源 Qwen2-VL-2B 和 Qwen2-VL-7B，开源代码也集成到 Hugging Face Transformers、vLLM 和其他第三方框架中。开发者可通过 Hugging Face 和魔塔 ModelScope 下载模型，也能通过通义官网、通义 App 的主对话页面中使用该模型。

通义千问方面透露，其从综合的大学题目、数学能力、文档表格多语言文字图像的理解、通用场景问答、视频理解、Agent 能力 6 个方面评估了 Qwen2-VL 的能力，该模型相比上一代的基础性能得到了全面提升。

据悉，Qwen2-VL 可读懂不同分辨率和不同长宽比的图片，这一能力在 DocVQA、RealWorldQA、MTVQA 等基准测试创下全球领先的表现。其可以理解 20 分钟以上的长视频，并支持基于视频的问答、对话和内容创作等应用。同时该模型还能够理解图像视频中的多语言文本，包括中文、英文及大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。

值得一提的是，Qwen2-VL 还具备强大的视觉智能体能力，能够集成至手机、机器人等设备，根据视觉环境和文字指令进行自主操作。

在架构方面，Qwen2-VL 延续了上一代的 ViT（Vision Transformer）加 Qwen2 的串联结构，并且 3 个尺寸的模型均采用了 600M 规模大小的 ViT，支持图像和视频统一输入。但为了能够更清楚地感知视觉信息和理解视频，通义千问团队对新一代模型的架构进行了升级。

具体而言，Qwen2-VL 会把不同大小的图片转换为动态数量的 tokens、最小只占 4 个 tokens，这一设计正是模拟了人类视觉感知的自然方式。另外其使用了多模态旋转位置嵌入（M-ROPE）方法，相较于传统的旋转位置嵌入只能捕捉一维序列的位置信息，M-ROPE 使得该模型能够同时捕捉和整合一维文本序列、二维视觉图像，以及三维视频的位置信息，赋予了语言模型强大的多模态处理和推理能力，能让模型更好地理解和建模复杂的多模态数据。

据最新的评测结果显示，Qwen2-VL-72B 作为旗舰模型在大部分的指标上都达到了最优，Qwen2-VL-7B 以其 ” 经济型 ” 参数规模实现了极具竞争力的性能表现，而 Qwen2-VL-2B 则可支持移动端的丰富应用，同样具备完整图像视频多语言的理解能力，在视频文档和通用场景问答方面相比同规模模型优势显著。