模型发布：Qwen 团队推出 Qwen2.5-VL 视觉语言模型，有 3B、7B 和 72B 参数版本。功能增强：能理解复杂视觉内容、代理操作、处理长视频、精确定位与结构化输出。模型架构：采用动态 FPS 采样等技术，优化视觉编码器，与 Qwen2.5 LLM 结构一致。效果评估：在多任务评测中表现良好，部分任务超越同类开源模型。推理方式：可通过 transformers 或魔搭 API-Inference 进行推理，有示例代码。模型微调：用 ms-swift 框架微调，提供图像、视频、grounding 任务脚本与数据集格式。摘要：模型发布：Qwen 团队推出 Qwen2.5-VL 视觉语言模型，有 3B、7B 和 72B 参数版本。功能增强：能理解复杂视觉内容、代理操作、处理长视频、精确定位与结构化输出。模型架构：采用动态 FPS 采样等技术，优化视觉编码器，与 Qwen2.5 LLM
自 Qwen2-VL 发布以来的五个月里，众多开发者在 Qwen2-VL 视觉语言模型上构建了新模型，为Qwen团队提供了宝贵的反馈。在此期间，Qwen团队专注于构建更有用的视觉语言模型。今天，Qwen团队很高兴向大家介绍 Qwen 家族的最新成员：Qwen2.5-VL。
视觉理解事物：Qwen2.5-VL不仅能够熟练识别花、鸟、鱼、昆虫等常见物体，而且还能够分析图像中的文本、图表、图标、图形和布局。代理性：Qwen2.5-VL直接扮演视觉代理的角色，具有推理和动态指挥工具的功能，可用于电脑和手机。理解长视频并捕捉事件：Qwen2.5-VL 可以理解超过 1 小时的视频，这次它还具有通过精确定位相关视频片段来捕捉事件的新功能。能够进行不同格式的视觉定位：Qwen2.5-VL 可以通过生成边界框或点来准确定位图像中的对象，并且可以为坐标和属性提供稳定的 JSON 输出。生成结构化输出：对于发票、表格、表格等扫描件数据，Qwen2.5-VL 支持其内容的结构化输出，有利于金融、商业等领域的用途。用于视频理解的动态分辨率和帧速率训练：通过采用动态 FPS 采样将动态分辨率扩展到时间维度，使模型能够理解各种采样率的视频。相应地，Qwen团队在时间维度上用 ID 和绝对时间对齐更新 mRoPE，使模型能够学习时间顺序和速度，最终获得精确定位特定时刻的能力。本次开源有三个模型，参数分别为 30 亿、70 亿和 720 亿。此 repo 包含指令调整的 72B Qwen2.5-VL 模型。
以下链接地址见文末：模型合集[1]、模型体验[2]、技术博客[3]、代码地址[4]
02 模型效果模型评估
使用transformers推理
Qwen2.5-VL 的代码已在最新的transformers中，建议使用命令从源代码构建：
pip install git+https://github.com/huggingface/transformers提供了一个工具包，可帮助更方便地处理各种类型的视觉输入，就像使用 API 一样。这包括 base64、URL 以及交错的图像和视频。可以使用以下命令安装它：
pip install qwen-vl-utils[decord]==0.0.8推理代码：
from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessorfrom qwen_vl_utils import process_vision_infofrom modelscope import snapshot_downloadmodel_dir = snapshot_download("Qwen/Qwen2.5-VL-3B-Instruct")# default: Load the model on the available device(s)model = Qwen2_5_VLForConditionalGeneration.from_pretrained( model_dir, torch_dtype="auto", device_map="auto")# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(# "Qwen/Qwen2.5-VL-3B-Instruct",# torch_dtype=torch.bfloat16,# attn_implementation="flash_attention_2",# device_map="auto",# )# default processerprocessor = AutoProcessor.from_pretrained(model_dir)# The default range for the number of visual tokens per image in the model is 4-16384.# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.# min_pixels = 256*28*28# max_pixels = 1280*28*28# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)messages = [ { "role": "user", "content": [ { "type": "image", "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg", }, {"type": "text", "text": "Describe this image."}, ], }]# Preparation for inferencetext = processor.apply_chat_template( messages, tokenize=False, add_generation_prompt=True)image_inputs, video_inputs = process_vision_info(messages)inputs = processor( text=[text], images=image_inputs, videos=video_inputs, padding=True, return_tensors="pt",)inputs = inputs.to("cuda")# Inference: Generation of the outputgenerated_ids = model.generate(**inputs, max_new_tokens=128)generated_ids_trimmed = [ out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode( generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)print(output_text)魔搭平台的 API-Inference，也第一时间为 Qwen2.5-VL 系列模型提供了支持。魔搭的用户可通过 API 调用的方式，直接使用。具体 API-Inference 的使用方式可参见模型页面说明：
或者参见 API-Inference文档[5]
这里以如下图片为例，调用API使用Qwen/Qwen2.5-VL-72B-Instruct模型：
感谢阿里云百炼平台提供背后算力支持
04 模型微调我们介绍使用 ms-swift 对 Qwen/Qwen2.5-VL-7B-Instruct 进行微调。ms-swift 是魔搭社区官方提供的大模型与多模态大模型微调部署框架。ms-swift开源地址[6]见文末。
在这里，我们将展示可运行的微调demo，并给出自定义数据集的格式。
在开始微调之前，请确保您的环境已准备妥当。
git clone https://github.com/modelscope/ms-swift.gitcd ms-swiftpip install -e .图像 OCR 微调脚本如下：
MAX_PIXELS=1003520 \CUDA_VISIBLE_DEVICES=0 \swift sft \ --model Qwen/Qwen2.5-VL-7B-Instruct \ --dataset AI-ModelScope/LaTeX_OCR:human_handwrite#20000 \ --train_type lora \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --freeze_vit true \ --gradient_accumulation_steps 16 \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 5 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4训练显存资源：
视频微调脚本如下：
# VIDEO_MAX_PIXELS等参数含义可以查看：https://swift.readthedocs.io/zh-cn/latest/Instruction/命令行参数.html#id18nproc_per_node=2CUDA_VISIBLE_DEVICES=0,1 \NPROC_PER_NODE=$nproc_per_node \VIDEO_MAX_PIXELS=100352 \FPS_MAX_FRAMES=24 \swift sft \ --model Qwen/Qwen2.5-VL-7B-Instruct \ --dataset swift/VideoChatGPT:all \ --train_type lora \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --freeze_vit true \ --gradient_accumulation_steps $(expr 16 / $nproc_per_node) \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 5 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4 \ --deepspeed zero2训练显存资源：
自定义数据集格式如下（system字段可选），只需要指定--dataset 即可：
{"messages": [{"role": "user", "content": "浙江的省会在哪？"}, {"role": "assistant", "content": "浙江的省会在杭州。"}]}{"messages": [{"role": "user", "content": "两张图片有什么区别"}, {"role": "assistant", "content": "前一张是小猫，后一张是小狗"}], "images": ["/xxx/x.jpg", "xxx/x.png"]}{"messages": [{"role": "system", "content": "你是个有用无害的助手"}, {"role": "user", "content": "视频中是什么"}, {"role": "assistant", "content": "视频中是一只小狗在草地上奔跑"}], "videos": ["/xxx/x.mp4"]}grounding 任务微调脚本如下：
CUDA_VISIBLE_DEVICES=0 \MAX_PIXELS=1003520 \swift sft \ --model Qwen/Qwen2.5-VL-7B-Instruct \ --dataset 'AI-ModelScope/coco#20000' \ --train_type lora \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --freeze_vit true \ --gradient_accumulation_steps 16 \ --eval_steps 100 \ --save_steps 100 \ --save_total_limit 2 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4 \ --dataset_num_proc 4训练显存资源：
grounding 任务自定义数据集格式如下：
{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "描述图像"}, {"role": "assistant", "content": "和正在沙滩上玩耍"}], "images": ["/xxx/x.jpg"], "objects": {"ref": ["一只狗", "一个女人"], "bbox": [[331.5, 761.4, 853.5, 1594.8], [676.5, 685.8, 1099.5, 1427.4]]}}{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "找到图像中的"}, {"role": "assistant", "content": ""}], "images": ["/xxx/x.jpg"], "objects": {"ref": ["羊"], "bbox": [[90.9, 160.8, 135, 212.8], [360.9, 480.8, 495, 532.8]]}}{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "帮我打开谷歌浏览器"}, {"role": "assistant", "content": "Action: click(start_box='')"}], "images": ["/xxx/x.jpg"], "objects": {"ref": , "bbox": [[615, 226]]}}训练完成后，使用以下命令对训练时的验证集进行推理，
这里--adapters需要替换成训练生成的last checkpoint文件夹. 由于adapters文件夹中包含了训练的参数文件，因此不需要额外指定--model：
CUDA_VISIBLE_DEVICES=0 \swift infer \ --adapters output/vx-xxx/checkpoint-xxx \ --stream false \ --max_batch_size 1 \ --load_data_args true \ --max_new_tokens 2048推送模型到ModelScope：
CUDA_VISIBLE_DEVICES=0 \swift export \ --adapters output/vx-xxx/checkpoint-xxx \ --push_to_hub true \ --hub_model_id '' \ --hub_token ''[1]模型合集:
[2]模型体验:
[3]技术博客:
[4]代码地址:
[5]API-Inference文档:
[6]ms-swift开源地址:
本文，完。觉得本篇文章不错的，记得随手点个赞、收藏和转发三连，感谢感谢~如果想第一时间收到推送，请记得关注我们⭐~
来源：AIGC研究社
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!
