模型介绍
中文整理Qwen2.5-VL-32B-Instruct
模型用途
Qwen2.5-VL-32B-Instruct是一款视觉语言模型，基于强化学习微调，专门用于理解和处理图像与视频内容，并生成文本响应。
主要能力
视觉理解：能够识别常见物体如花、鸟、鱼、昆虫，并分析图像中的文本、图表、图标、图形和布局。
代理能力：可作为视觉代理进行推理和动态调用工具，支持电脑和手机操作。
长视频理解：能够理解超过1小时的视频内容，并具备通过精确定位相关视频片段来捕捉事件的能力。
视觉定位：可通过生成边界框或点来精确定位图像中的物体，并提供稳定的JSON格式坐标和属性输出。
结构化输出：支持对发票、表格、文档等扫描件进行结构化输出，适用于金融、商业等场景。
输入输出
支持输入格式：本地文件、Base64编码、URL链接以及交错排列的图像和视频。
输出格式：文本响应，支持JSON格式的结构化输出（坐标、属性等）。
运行要求
需要安装最新版本的HuggingFace Transformers，建议从源码编译安装以确保兼容性。
基本用法
图像输入：支持本地文件、Base64和URL格式。用户可通过设置min pixels和max pixels参数来控制图像分辨率，在256-1280 tokens范围内平衡速度和内存占用。
视频输入：目前仅支持本地文件。视频URL兼容性取决于第三方库版本。
多图像和批量推理：支持多图像输入和批量处理。
长文本处理：默认支持最长32,768 tokens的上下文长度。通过YaRN技术可扩展处理更长文本，但该技术会对时空定位任务性能产生显著影响，不建议在此类任务中使用。对于长视频输入，可直接将最大位置嵌入修改为更大值（如64k）。
限制
YaRN技术虽然可扩展上下文长度，但会对时间和空间定位任务的性能产生显著影响，不建议在需要精确定位的场景使用。
许可证
原文未提供具体的许可证信息。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。