Qwen2.5-VL: il VLM open di Alibaba che supera GPT-4o su DocVQA
In una frase Alibaba rilascia Qwen2.5-VL in tre taglie (3B, 7B, 72B), base e instruct: lettura di documenti con output strutturato, video oltre un'ora e funzioni da agente visivo. Il 72B ottiene 96.4 su DocVQA contro 91.1 di GPT-4o.
Qwen2.5-VL è la nuova famiglia di modelli visione-linguaggio di Alibaba, pubblicata il 26 gennaio 2025 in tre taglie (3, 7 e 72 miliardi di parametri), con pesi scaricabili da Hugging Face e ModelScope. Sa leggere documenti, fatture, grafici e moduli e restituirne il contenuto in forma strutturata; capisce video lunghi oltre un'ora e sa indicare in quale secondo avviene un evento; può fare da agente visivo, usando un computer o un telefono a partire dagli screenshot.
Secondo i numeri pubblicati da Alibaba, il 72B è competitivo con i migliori modelli chiusi e su alcuni test documentali li supera: su DocVQA ottiene 96.4 contro 91.1 di GPT-4o. Il 7B batte GPT-4o-mini su diversi compiti e il 3B supera il precedente Qwen2-VL da 7B.
Aziende
Alibaba
Tool
Qwen2.5-VL, Qwen2.5-VL-72B, Qwen2.5-VL-7B, Qwen2.5-VL-3B
Tag
Fonti