视觉理解和操作

今天除夕，阿里千问开源了Qwen2.5-VL模型，包含3B、7B和72B三个尺寸，并具有感知丰富世界、作为视觉Agent、理解长视频和捕捉事件、精准的视觉定位及结构化输出等新特性。