Qwen2.5-VL 是阿里云通义千问（Qwen）团队推出的视觉语言模型系列。该 GitHub 仓库当前主要承载 Qwen3-VL 的官方说明与资源，同时保留了 Qwen2.5-VL 和 Qwen2-VL 的相关发布信息与代码。
用途 该系列面向多模态理解与生成任务，可同时处理文本、图像和视频输入，用于视觉问答、文档解析、视频理解、OCR、空间定位与推理等场景。
主要能力 根据官方说明，Qwen3-VL 在以下方面进行了升级：
- 视觉智能体（Visual Agent）：可操作 PC/移动端 GUI，识别界面元素、理解功能、调用工具并完成任务。
- 视觉编码增强：可从图像/视频生成 Draw.io、HTML/CSS/JS。
- 空间感知：判断物体位置、视角与遮挡，提供更强的 2D grounding，并支持 3D grounding，用于空间推理与具身 AI。
- 长上下文与视频理解：原生 256K 上下文，可扩展至 1M；支持处理书籍和数小时长视频，具备完整召回与秒级索引。
- 多模态推理：在 STEM/数学领域表现突出，支持因果分析与基于证据的逻辑回答。
- 视觉识别：通过更广泛、更高质量的预训练，能够识别名人、动漫、产品、地标、动植物等。
- OCR 扩展：支持 32 种语言（此前为 10 种），在低光、模糊、倾斜条件下更稳健，对生僻/古文字和术语识别更好，长文档结构解析能力提升。
- 文本理解：与纯文本 LLM 持平，实现文本与视觉的无损统一理解。 技术特性包括 Interleaved-MRoPE、DeepStack 和 Text–Timestamp Alignment。
可用版本与架构 该系列提供 Dense 和 MoE 架构，覆盖从边缘到云端的规模，并有 Instruct 和增强推理的 Thinking 版本。已发布版本包括 Qwen3-VL-235B-A22B、30B-A3B、32B、8B、4B、2B 等（含 Instruct/Thinking 及 FP8 版本）。Qwen2.5-VL 提供 3B、7B、72B 参数规模，并发布 AWQ 量化模型。
使用方式 仓库提供通过 🤗 Transformers 和 ModelScope 调用模型的代码示例，并提供 qwen-vl-utils 工具包用于控制视觉输入处理。用户可通过设置 min_pixels、max_pixels、resized_height、resized_width、total_pixels 等参数控制图像和视频的像素预算；支持本地文件、base64 和 URL 输入。视频解码支持 torchvision、decord、torchcodec 后端，官方推荐 torchcodec。模型可加载时使用 Flash Attention 2（需 float16 或 bfloat16）。上下文超过 256K 时可通过 YaRN 扩展（注意 Interleaved-MRoPE 需使用较小缩放因子）。部署方面推荐 vLLM（需 vllm>=0.11.0），也支持 SGLang，并可通过 OpenAI 风格 API 访问；提供官方 Docker 镜像 qwenllm/qwenvl。仓库还提供网页 UI 演示的启动方式。
适用场景 适合需要多模态理解的研究与工程场景，如文档与视频解析、GUI 自动化、视觉推理、OCR 多语言识别、空间定位、具身 AI 等。
限制 资料未提供具体收费、价格或性能指标信息。部分评估基准为内部构建，其代码与复现资源计划后续发布；少数基准的评估提示词有所修改，细节将在技术报告中说明。decord 存在解码挂起等问题且项目已不再积极维护。
