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。
Gemini 2.0 Flash是谷歌高性能低延迟模型，专为高级智能体体验设计。具备原生工具集成，支持文本、图像、视频和音频的多模态输入。相较前代有显著改进，平衡效率、速度和增强功能，实现无缝实时交互。
| Qwen2.5-VL-32B | Gemini 2.0 Flash | |
|---|---|---|
提供商 | ||
网站 | ||
发布日期 | Mar 25, 2025 1 个月 ago | Dec 11, 2024 4 个月 ago |
模态 | 文本 图像 视频 | 文本 图像 语音 视频 |
API提供商 | - | Google AI Studio, Vertex AI |
知识截止日期 | 未知 | 08.2024 |
开源 | 是 (来源) | 否 |
输入定价 | $0 | $0.10 每百万token |
输出定价 | $0 | $0.40 每百万token |
MMLU | 78.4% 来源 | 不可用 |
MMLU Pro | 49.5% | 77.6% 来源 |
MMMU | 70% | 71.7% 来源 |
HellaSwag | 不可用 | 不可用 |
HumanEval | 不可用 | 不可用 |
MATH | 82.2% | 90.9% 来源 |
GPQA | 46.0% Diamond | 60.1% Diamond 来源 |
IFEval | 不可用 | 不可用 |
移动应用 | - |