自 Qwen2-VL 发布以来的五个月里，开发者基于该模型构建了新模型，并提供了宝贵的反馈。现在，Qwen2.5-VL 引入了更强的功能，包括对图像、文本和图表的精准分析，以及通过结构化 JSON 输出进行对象定位。它能够理解长视频，识别关键事件，并作为智能代理与计算机和手机上的工具交互。该模型的架构采用了动态视频处理和优化的 ViT 编码器，以提升处理速度和准确性。
| Claude Sonnet 4 | Qwen2.5-VL-32B | |
|---|---|---|
提供商 | ||
网站 | ||
发布日期 | May 22, 2025 3 天 ago | Mar 25, 2025 2 个月 ago |
模态 | 文本 图像 | 文本 图像 视频 |
API提供商 | Anthropic API, Amazon Bedrock, Google Cloud's Vertex AI | - |
知识截止日期 | 未知 | 未知 |
开源 | 否 | 是 (来源) |
输入定价 | $3 每百万token | $0 |
输出定价 | $15 每百万token | $0 |
MMLU | 86.5% 来源 | 78.4% 来源 |
MMLU Pro | - | 49.5% |
MMMU | 74.4% 来源 | 70% |
HellaSwag | - | 不可用 |
HumanEval | - | 不可用 |
MATH | - | 82.2% |
GPQA | 75.4% Diamond 来源 | 46.0% Diamond |
IFEval | - | 不可用 |
Array | - | - |
AIME 2024 | - | - |
AIME 2025 | 75.5% 来源 | - |
Array | - | - |
Array | - | - |
Array | - | - |
Array | - | - |
移动应用 | - |