8月30日消息，阿里通義千問發布第二代視覺語言模型Qwen2-VL。其中，旗艦模型Qwen2-VL-72B的API已上線阿里云百煉平臺。

據了解，Qwen2-VL在多個權威測評中刷新了多模態模型的最佳成績，在部分指標上甚至超越了GPT-4o和Claude3.5-Sonnet等閉源模型。

2023年8月，通義千問開源第一代視覺語言理解模型Qwen-VL，成為開源社區最受歡迎的多模態模型之一。

短短一年內，模型下載量突破1000萬次。目前，多模態模型在手機、車端等各類視覺識別場景的落地正在加速，開發者和應用企業也格外關注Qwen-VL的升級迭代。

相比上代模型，Qwen2-VL的基礎性能全面提升。可以讀懂不同分辨率和不同長寬比的圖片，在MathVista、DocVQA、RealWorldQA、MTVQA等基準測試創下全球領先的表現。

此外，Qwen2-VL可以理解20分鐘以上長視頻，支持基于視頻的問答、對話和內容創作等應用。同時，具備強大的視覺智能體能力，可自主操作手機和機器人，借助復雜推理和決策的能力，Qwen2-VL可以集成到手機、機器人等設備，根據視覺環境和文字指令進行自動操作。

該模型還能理解圖像視頻中的多語言文本，包括中文、英文，大多數歐洲語言，日語、韓語、阿拉伯語、越南語等。

通義千問團隊從六個方面評估了模型能力，包括綜合的大學題目、數學能力、文檔表格多語言文字圖像的理解、通用場景問答、視頻理解、Agent 能力。

Qwen2-VL-72B 在大部分的指標上都達到了最優，甚至超過了 GPT-4o 和 Claude3.5-Sonnet 等閉源模型，在文檔理解方面優勢尤其明顯，僅在綜合的大學題目方面與GPT-4o 存在差距。