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。
| Qwen2.5-VL-32B | GPT-4.1 Nano | |
|---|---|---|
网站
| ||
提供商
| ||
聊天
| ||
发布日期
| ||
模态
| 文本 图像 视频 | 文本 图像 |
API提供商
| - | OpenAI API |
知识截止日期
| 未知 | - |
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 | 80.1% 来源 |
MMLU-Pro
| 49.5% | - |
MMMU
| 70% | 55.4% 来源 |
HellaSwag
| 不可用 | - |
HumanEval
| 不可用 | - |
MATH
| 82.2% | - |
GPQA
| 46.0% Diamond | 50.3% Diamond 来源 |
IFEval
| 不可用 | 74.5% 来源 |
SimpleQA
| - | - |
AIME 2024 | - | 29.4% 来源 |
AIME 2025 | - | - |
Aider Polyglot
| - | - |
LiveCodeBench v5
| - | - |
Global MMLU (Lite)
| - | 66.9% 来源 |
MathVista
| - | 56.2% Image Reasoning 来源 |
移动应用 | - |