Alibaba · Qwen2.5 系列 · 视觉理解
Qwen2.5-VL
Qwen2.5 家族中的视觉语言模型，开放权重，适合图像理解、截图问答和需要看图的自托管任务。
查看 Model Card
访问方式：Open weights
它是什么
Qwen2.5-VL 由 Qwen 团队发布，官方模型卡在 Qwen 组织。它接受文本和图像，是视觉理解模型，而不是图像生成模型。
相对 Llama 3.2 Vision 和 GPT-4o，它提供一条可自托管的开源权重视觉路径。通用文本任务仍应优先考虑 Qwen3 等文本规格。
视觉结果对分辨率和裁切敏感，关键识别需要人工复核。
核心能力
图像理解
适合截图、文档页图像和界面说明类问答。
视觉问答
把图像和文本问题一起输入，输出文本回答。
开放权重
官方 Hugging Face 模型卡提供权重来源。
适合什么任务
- 自托管视觉问答
- 界面截图和图表说明
- 与 Llama 3.2 Vision、Gemini Flash 对照
- 需要看图但不走托管多模态 API 的任务
API 与技术信息
- API
- 开放权重
- 输入
- Text · Image
- 输出
- Text
- 权重
- 开放权重
使用时要注意
- 官方卡指向 Qwen2.5-VL-72B-Instruct 等具体仓库。
- 它不生成图像，也不等于原生 PDF 版式解析。
- 硬件需求高于纯文本 7B/14B 规格。
- 许可以官方模型卡为准。