qwen2.5-vl：阿里开源超强多模态大模型（包含使用方法、微调方法介绍）

1.简介

在 Qwen2-VL 发布后的五个月里，众多开发者基于该视觉语言模型开发了新的模型，并向 Qwen 团队提供了极具价值的反馈。在此期间，Qwen 团队始终致力于打造更具实用性的视觉语言模型。今天，Qwen 家族的最新成员——Qwen2.5-VL正式登场。

主要增强功能：

直观地理解事物： Qwen2.5-VL 不仅能熟练识别花、鸟、鱼和昆虫等常见物体，还能高度分析文本、图表、图标、图形和图像中的布局。
具有代理功能： Qwen2.5-VL 可直接扮演视觉代理，能够推理和动态指挥工具，既能在电脑上使用，也能在手机上使用。
理解长视频并捕捉事件： Qwen2.5-VL可以理解1小时以上的视频，这次又增加了通过精确定位相关视频片段来捕捉事件的能力。
不同格式的可视化定位能力： Qwen2.5-VL 可通过生成边框或点来精确定位图像中的对象，并能为坐标和属性提供稳定的 JSON 输出。
生成结构化输出：用于扫描发票、表格、表格等数据。Qwen2.5-VL 支持对其内容进行结构化输出，有利于金融、商业等领域的使用。

相较上一代模型架构更新：

动态分辨率和帧速率训练，促进视频理解：通过采用动态 FPS 采样，qwen团队将动态分辨率扩展到了时间维度，使模型能够理解各种采样率的视频。相应地，qwen团队在时间维度上对 mRoPE 进行了更新，增加了 ID 和绝对时间对齐，使模型能够学习时间顺序和速度，最终获得精确定位特定时刻的能力。
精简高效的视觉编码器：qwen团队通过在 ViT 中战略性地实施窗口关注，提高了训练和推理速度。通过 SwiGLU 和 RMSNorm 进一步优化了 ViT 架构，使其与 Qwen2.5 LLM 的结构保持一致。

Qwen2.5-vl有三个模型，参数分别为 30、70 和 720 亿。此版本包含经过指令调整的 7B Qwen2.5-VL 模型。

模型权重地址（魔搭社区）：魔搭社区

模型权重地址（huggingface）：https://huggingface.co/collections/Qwen/qwen25-vl-6795ffac22b334a837c0f9a5

官方博客：Qwen2.5 VL! Qwen2.5 VL! Qwen2.5 VL! | Qwen

github地址：https://github.com/QwenLM/Qwen2.5-VL

体验地址：Qwen Chat

2.效果

Qwen团队将Qwen2.5-vl模型与 SOTA 模型以及类似模型规模的最佳模型进行了评估。就旗舰模型 Qwen2.5-VL-72B-Instruct 而言，它在一系列涵盖领域和任务的基准测试中取得了极具竞争力的性能，其中包括大学难题、数学、文档理解、一般问题解答、数学、视频理解和视觉代理。值得注意的是，Qwen2.5-VL 在理解文档和图表方面具有显著优势，而且无需针对特定任务进行微调，就能扮演视觉代理的角色。

在小型模型方面，Qwen2.5-VL-7B-Instruct 在多项任务中的表现优于 GPT-4o-mini，而作为边缘人工智能解决方案的 Qwen2.5-VL-3B 甚至优于之前版本 Qwen2-VL 的 7B 模型。

全球图像识别

Qwen2.5-VL大幅增强了通用图像识别能力，将图像类别扩展到超多。不仅包括植物、动物、名山大川的地标，还包括电影和电视剧中的 IP 以及各种产品。

精确的目标定位

Qwen2.5-VL 利用边界框和基于点的表示法进行定位，从而实现分层定位和标准化 JSON 输出。这种增强的定位能力为可视化推理奠定了基础。

增强文本识别和理解能力

Qwen2.5-VL将OCR识别能力提升到了一个新的水平，增强了多场景、多语言、多方向的文本识别和文本本地化性能。此外，Qwen2.5-VL 在信息提取方面也有大幅提升，以满足资质审查和金融业务等领域日益增长的数字化和智能化需求。

强大的文档解析功能

Qwen2.5-VL 设计了一种名为 QwenVL HTML 格式的独特文档解析格式，可提取基于 HTML 的布局信息。QwenVL HTML 可以在各种场景下执行文档解析，如杂志、研究论文、网页甚至手机截图。

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><meta name="viewport" content="width=device-width, initial-scale=1.0"><title>淘宝许愿淘彩头分25亿</title><style>body {background-color: #4a0d6e;margin: 0;padding: 0;font-family: Arial, sans-serif;color: white;text-align: center;}.header {display: flex;justify-content: space-between;align-items: center;padding: 10px;}.header h1 {margin: 0;color: gold;}.content {padding: 20px;}.wish-options {display: flex;justify-content: center;gap: 10px;margin-top: 20px;}.wish-option {width: 100px;height: 200px;border-radius: 10px;padding: 10px;box-sizing: border-box;cursor: pointer;}.selected {background-color: gold;}.unselected {background-color: purple;}.footer {margin-top: 20px;}.button {background-color: gold;border: none;padding: 10px 20px;border-radius: 5px;cursor: pointer;}</style>
</head>
<body><div class="header"><div><img src="back_arrow.png" alt="Back"></div><h1>淘宝·许愿淘彩头分25亿</h1><div><img src="more_options.png" alt="More Options"></div></div><div class="content"><p>许下新年心愿得红包</p><img src="golden_lantern.png" alt="Golden Lantern"><div class="wish-options"><div class="wish-option selected">福寿康宁</div><div class="wish-option unselected">我想免费周游世界</div><div class="wish-option unselected">追随自己的热情</div></div><div class="footer"><button class="button">换一批 | 定制心愿</button><p>许下你的定制心愿，更灵验哦</p><button class="button">许愿拿红包 🎉</button></div></div>
</body>
</html>

增强视频理解能力

Qwen2.5-VL 的视频理解能力得到了全面升级。在时间处理方面，Qwen团队引入了动态帧频（FPS）训练和绝对时间编码技术。因此，该模型不仅能支持以小时为单位的超长视频理解，还能实现二级事件定位。它能够准确理解长达数小时的超长视频内容，搜索视频中的特定事件，并总结不同时间段的关键点。这样，用户就能快速高效地提取视频中的关键信息。

3.使用方法

环境安装

Qwen2.5-VL 的代码已收录在最新的transformers中，建议使用命令从源代码构建：

pip install git+https://github.com/huggingface/transformers accelerate

否则可能遇到以下错误

KeyError: 'qwen2_5_vl'

Qwen团队提供了一个工具包，帮助我们更方便地处理各种类型的可视输入，就像使用 API 一样。其中包括 base64、URL 以及交错图片和视频。可以使用以下命令安装它：

# It's highly recommanded to use `[decord]` feature for faster video loading.
pip install qwen-vl-utils[decord]==0.0.8

如果您使用的不是 Linux，您可能无法从 PyPI 安装 decord。在这种情况下，您可以使用 pip install qwen-vl-utils，这会退回到使用 torchvision 进行视频处理。不过，您仍然可以从源代码中安装 decord，以便在加载视频时使用 decord。

使用transformers进行推理

单图推理

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
from modelscope import snapshot_downloadmodel_dir=snapshot_download("Qwen/Qwen2.5-VL-7B-Instruct")    # 从modelscope中下载Qwen2.5-VL模型的权重文件，并将其保存到本地目录model_dir中。# 默认方法
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(    # 加载模型。model_dir, torch_dtype="auto", device_map="auto"        # torch_dtype="auto"表示自动选择合适的张量数据类型，device_map="auto"表示自动将模型分配到可用的设备（如GPU）上。
)# 以下注释部分提供了另一种加载方式，启用了flash_attention_2，这是一种优化技术，可以提高模型在多图像和视频场景下的加速和内存节省。
# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen2.5-VL-7B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )# 使用AutoProcessor加载处理器，它将用于处理文本和视觉输入数据。
processor = AutoProcessor.from_pretrained(model_dir)# 模型中每幅图像的视觉token数默认范围为 4-16384。
# 用于设置模型处理图像时的像素范围。通过调整min_pixels和max_pixels，可以在性能和成本之间进行平衡。例如，设置为256-1280的像素范围。
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)messages = [        # 一个messages列表，包含了用户输入的内容。其中包含一个图像的URL和一段文字提示“Describe this image.”。{"role": "user","content": [{"type": "image","image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",},{"type": "text", "text": "Describe this image."},],}
]# Preparation for inference
text = processor.apply_chat_template(        # 将messages中的文本内容转换为模型可以理解的格式，并添加生成提示。messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)        # 从messages中提取图像和视频信息。
inputs = processor(        # 将文本、图像和视频输入组合成一个输入字典，并将其转换为PyTorch张量。text=[text],images=image_inputs,videos=video_inputs,padding=True,return_tensors="pt",
)
inputs = inputs.to("cuda")        # 将输入数据移动到GPU上（如果可用）。generated_ids = model.generate(**inputs, max_new_tokens=128)    # 调用模型生成输出。max_new_tokens=128表示生成的输出最多包含128个新token。
generated_ids_trimmed = [        # 从生成的generated_ids中移除输入部分，只保留生成的输出部分。out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(    # 将生成的token ID解码为文本。generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

多图推理

# Messages containing multiple images and a text query
messages = [{"role": "user","content": [{"type": "image", "image": "file:///path/to/image1.jpg"},    # file:///协议指定本地路径{"type": "image", "image": "file:///path/to/image2.jpg"},{"type": "text", "text": "Identify the similarities between these images."},],}
]# Preparation for inference
text = processor.apply_chat_template(    # 将messages中的文本内容转换为模型可以理解的格式，并添加生成提示。messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)    # 从messages中提取图像和视频信息。在这个例子中，video_inputs为空，因为输入中没有视频。
inputs = processor(    # 将文本、图像和视频输入组合成一个输入字典，并将其转换为PyTorch张量。text=[text],images=image_inputs,videos=video_inputs,padding=True,return_tensors="pt",
)
inputs = inputs.to("cuda")    # 将输入数据移动到GPU上（如果可用）。# Inference
generated_ids = model.generate(**inputs, max_new_tokens=128)    # 调用模型生成输出。max_new_tokens=128表示生成的输出最多包含128个新token。
generated_ids_trimmed = [        # 从生成的generated_ids中移除输入部分，只保留生成的输出部分。out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(    # 将生成的token ID解码为文本。generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

视频推理

对于视频文件，我们可以使用3种方法引入模型

视频由图像帧列表组成
本地视频文件路径
视频URL

# 视频由图像帧列表组成
messages = [{"role": "user","content": [{"type": "video","video": ["file:///path/to/frame1.jpg","file:///path/to/frame2.jpg","file:///path/to/frame3.jpg","file:///path/to/frame4.jpg",],},{"type": "text", "text": "Describe this video."},],}
]# 本地视频文件路径
messages = [{"role": "user","content": [{"type": "video","video": "file:///path/to/video1.mp4","max_pixels": 360 * 420,"fps": 1.0,},{"type": "text", "text": "Describe this video."},],}
]# 视频URL
messages = [{"role": "user","content": [{"type": "video","video": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2-VL/space_woaudio.mp4",},{"type": "text", "text": "Describe this video."},],}
]#在 Qwen 2.5 VL 中，帧频信息也被输入到模型中，以便与绝对时间保持一致。
# Preparation for inference
text = processor.apply_chat_template(    ￥ 将messages中的文本内容转换为模型可以理解的格式，并添加生成提示。messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)    # process_vision_info：从messages中提取图像和视频信息。return_video_kwargs=True表示返回与视频处理相关的参数（如帧率fps）
inputs = processor(    # processor：将文本、图像和视频输入组合成一个输入字典，并将其转换为PyTorch张量。fps参数用于指定视频的帧率。text=[text],images=image_inputs,videos=video_inputs,fps=fps,padding=True,return_tensors="pt",**video_kwargs,
)
inputs = inputs.to("cuda")    # inputs.to("cuda")：将输入数据移动到GPU上（如果可用）# Inference
generated_ids = model.generate(**inputs, max_new_tokens=128)    # 调用模型生成输出。max_new_tokens=128表示生成的输出最多包含128个新token。
generated_ids_trimmed = [    # 从生成的generated_ids中移除输入部分，只保留生成的输出部分。out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(    # 将生成的token ID解码为文本。generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

注意：视频 URL 兼容性主要取决于第三方库的版本。如果不想使用默认后端，可通过 FORCE_QWENVL_VIDEO_READER=torchvision 或 FORCE_QWENVL_VIDEO_READER=decord 更改后端。

批量推理

# 代码中定义了两组不同的输入消息，用于批量处理：
messages1 = [{"role": "user","content": [{"type": "image", "image": "file:///path/to/image1.jpg"},{"type": "image", "image": "file:///path/to/image2.jpg"},{"type": "text", "text": "What are the common elements in these pictures?"},],}
]
messages2 = [{"role": "system", "content": "You are a helpful assistant."},{"role": "user", "content": "Who are you?"},
]# 将两组消息合并为一个列表，用于批量处理。
messages = [messages1, messages2]# Preparation for batch inference
texts = [processor.apply_chat_template(msg, tokenize=False, add_generation_prompt=True)for msg in messages
]    # 对每组消息应用模板，将文本内容转换为模型可以理解的格式，并添加生成提示。
image_inputs, video_inputs = process_vision_info(messages)    # 从所有消息中提取图像和视频信息。
inputs = processor(    # 将文本、图像和视频输入组合成一个输入字典，并将其转换为PyTorch张量。text=texts,images=image_inputs,videos=video_inputs,padding=True,return_tensors="pt",
)
inputs = inputs.to("cuda")    # 将输入数据移动到GPU上（如果可用）。# Batch Inference
generated_ids = model.generate(**inputs, max_new_tokens=128)    # 调用模型生成输出。max_new_tokens=128表示生成的输出最多包含128个新token。
generated_ids_trimmed = [    # 从生成的generated_ids中移除输入部分，只保留生成的输出部分。out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_texts = processor.batch_decode(    # 将生成的token ID解码为文本。generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_texts)

图片调用方法

Qwen2.5-vl支持的图片调用有三种，以下是他们的详细使用方法：

本地文件路径
URL网页
Base64编码图像

# 你可以在文本中想要插入的位置直接插入本地文件路径、URL 或 base64 编码的图片。
## 本地文件路径
messages = [{"role": "user","content": [{"type": "image", "image": "file:///path/to/your/image.jpg"},{"type": "text", "text": "Describe this image."},],}
]
## URL
messages = [{"role": "user","content": [{"type": "image", "image": "http://path/to/your/image.jpg"},{"type": "text", "text": "Describe this image."},],}
]
## Base64 encoded image
messages = [{"role": "user","content": [{"type": "image", "image": "data:image;base64,/9j/..."},{"type": "text", "text": "Describe this image."},],}
]

图像分辨率
该模型支持多种分辨率输入。默认情况下，它使用本机分辨率进行输入，但更高的分辨率会以更多计算量为代价提高性能。用户可以根据自己的需要设置最小和最大像素数，以达到最佳配置，例如令牌数范围为 256-1280，从而在速度和内存使用之间取得平衡。

min_pixels = 256 * 28 * 28
max_pixels = 1280 * 28 * 28
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels
)

此外，Qwen团队还提供了两种方法来精细控制输入模型的图像尺寸：

定义 min_pixels 和 max_pixels：图像将在 min_pixels 和 max_pixels 的范围内调整大小以保持长宽比。（注意，这个是保持长宽比进行缩放）
指定精确尺寸：直接设置 resized_height 和 resized_width。这些值将四舍五入为最接近的 28 的倍数。（注意，这个不会保持长宽比进行缩放）

# min_pixels and max_pixels
messages = [{"role": "user","content": [{"type": "image","image": "file:///path/to/your/image.jpg","resized_height": 280,"resized_width": 420,},{"type": "text", "text": "Describe this image."},],}
]
# 调整高度和宽度
messages = [{"role": "user","content": [{"type": "image","image": "file:///path/to/your/image.jpg","min_pixels": 50176,"max_pixels": 50176,},{"type": "text", "text": "Describe this image."},],}
]

处理长文本

当前的 config.json 设置为上下文长度不超过 32,768 个字节。为了处理超过 32,768 个字节的大范围输入，Qwen团队使用了 YaRN，这是一种增强模型长度外推的技术，可确保在处理长文本时获得最佳性能。

对于支持的框架，可在 config.json 中添加以下内容以启用 YaRN：

{ ..., “type”： “yarn“, ”mrope_section"： [ 16, 24, 24 ], “factor”： 4,“original_max_position_embeddings”： 32768 }

不过需要注意的是，这种方法对时间和空间定位任务的性能有很大影响，因此不建议使用。

同时，对于长视频输入，由于 MRoPE 本身更节省 id，因此可直接将 max_position_embeddings 修改为更大的值，如 64k。

使用魔搭社区API进行推理

可在对应界面点开API-Inference，直接复制代码

代码如下：记得将api_key替换掉

from openai import OpenAIclient = OpenAI(base_url='https://api-inference.modelscope.cn/v1/',api_key="<Your Key>", # ModelScope Token
)response = client.chat.completions.create(model='Qwen/Qwen2.5-VL-7B-Instruct', # ModelScope Model-Idmessages=[{'role':'user','content': [{'type': 'text','text': '描述这幅图',}, {'type': 'image_url','image_url': {'url':'https://modelscope.oss-cn-beijing.aliyuncs.com/demo/images/audrey_hepburn.jpg',},}],}],stream=True
)for chunk in response:print(chunk.choices[0].delta.content, end='', flush=True)

API-Inference文档：https://www.modelscope.cn/docs/model-service/API-Inference/intro

微调

接下来介绍使用ms-swift对Qwen/Qwen2.5-VL-7B-Instruct进行微调。ms-swift是魔搭社区官方提供的大模型与多模态大模型微调部署框架。

ms-swift开源地址：https://github.com/modelscope/ms-swift

首先安装ms-swift的环境

git clone https://github.com/modelscope/ms-swift.git
cd ms-swift
pip install -e .

图像OCR微调

安装完成后直接在命令行使用：

MAX_PIXELS=1003520 \CUDA_VISIBLE_DEVICES=0 \swift sft \    --model Qwen/Qwen2.5-VL-7B-Instruct \    --dataset AI-ModelScope/LaTeX_OCR:human_handwrite#20000 \    --train_type lora \    --torch_dtype bfloat16 \    --num_train_epochs 1 \    --per_device_train_batch_size 1 \    --per_device_eval_batch_size 1 \    --learning_rate 1e-4 \    --lora_rank 8 \    --lora_alpha 32 \    --target_modules all-linear \    --freeze_vit true \    --gradient_accumulation_steps 16 \    --eval_steps 50 \    --save_steps 50 \    --save_total_limit 5 \    --logging_steps 5 \    --max_length 2048 \    --output_dir output \    --warmup_ratio 0.05 \    --dataloader_num_workers 4

自定义数据集格式如下（system字段可选），只需要指定`--dataset <dataset_path>`即可：

{"messages": [{"role": "user", "content": "浙江的省会在哪？"}, {"role": "assistant", "content": "浙江的省会在杭州。"}]}
{"messages": [{"role": "user", "content": "<image><image>两张图片有什么区别"}, {"role": "assistant", "content": "前一张是小猫，后一张是小狗"}], "images": ["/xxx/x.jpg", "xxx/x.png"]}

视频微调

参数含义可以查看：https://swift.readthedocs.io/zhcn/latest/Instruction/%E5%91%BD%E4%BB%A4%E8%A1%8C%E5%8F%82%E6%95%B0.html#id18nproc_per_node=2

命令行使用：

CUDA_VISIBLE_DEVICES=0,1 \NPROC_PER_NODE=$nproc_per_node \VIDEO_MAX_PIXELS=100352 \FPS_MAX_FRAMES=24 \swift sft \    --model Qwen/Qwen2.5-VL-7B-Instruct \    --dataset swift/VideoChatGPT:all \    --train_type lora \    --torch_dtype bfloat16 \    --num_train_epochs 1 \    --per_device_train_batch_size 1 \    --per_device_eval_batch_size 1 \    --learning_rate 1e-4 \    --lora_rank 8 \    --lora_alpha 32 \    --target_modules all-linear \    --freeze_vit true \    --gradient_accumulation_steps $(expr 16 / $nproc_per_node) \    --eval_steps 50 \    --save_steps 50 \    --save_total_limit 5 \    --logging_steps 5 \    --max_length 2048 \    --output_dir output \    --warmup_ratio 0.05 \    --dataloader_num_workers 4 \    --deepspeed zero2

自定义数据集格式如下（system字段可选），只需要指定`--dataset <dataset_path>`即可：

{"messages": [{"role": "system", "content": "你是个有用无害的助手"}, {"role": "user", "content": "<video>视频中是什么"}, {"role": "assistant", "content": "视频中是一只小狗在草地上奔跑"}], "videos": ["/xxx/x.mp4"]}

grounding任务微调

即目标检测等定位任务，命令行使用：

CUDA_VISIBLE_DEVICES=0 \MAX_PIXELS=1003520 \swift sft \    --model Qwen/Qwen2.5-VL-7B-Instruct \    --dataset 'AI-ModelScope/coco#20000' \    --train_type lora \    --torch_dtype bfloat16 \    --num_train_epochs 1 \    --per_device_train_batch_size 1 \    --per_device_eval_batch_size 1 \    --learning_rate 1e-4 \    --lora_rank 8 \    --lora_alpha 32 \    --target_modules all-linear \    --freeze_vit true \    --gradient_accumulation_steps 16 \    --eval_steps 100 \    --save_steps 100 \    --save_total_limit 2 \    --logging_steps 5 \    --max_length 2048 \    --output_dir output \    --warmup_ratio 0.05 \    --dataloader_num_workers 4 \    --dataset_num_proc 4

自定义数据集格式如下（system字段可选），只需要指定`--dataset <dataset_path>`即可：

{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "<image>描述图像"}, {"role": "assistant", "content": "<ref-object><bbox>和<ref-object><bbox>正在沙滩上玩耍"}], "images": ["/xxx/x.jpg"], "objects": {"ref": ["一只狗", "一个女人"], "bbox": [[331.5, 761.4, 853.5, 1594.8], [676.5, 685.8, 1099.5, 1427.4]]}}
{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "<image>找到图像中的<ref-object>"}, {"role": "assistant", "content": "<bbox><bbox>"}], "images": ["/xxx/x.jpg"], "objects": {"ref": ["羊"], "bbox": [[90.9, 160.8, 135, 212.8], [360.9, 480.8, 495, 532.8]]}}
{"messages": [{"role": "system", "content": "You are a helpful assistant."}, {"role": "user", "content": "<image>帮我打开谷歌浏览器"}, {"role": "assistant", "content": "Action: click(start_box='<bbox>')"}], "images": ["/xxx/x.jpg"], "objects": {"ref": [], "bbox": [[615, 226]]}}

验证

训练完成后，使用以下命令对训练时的验证集进行推理，

这里`--adapters`需要替换成训练生成的last checkpoint文件夹.

由于adapters文件夹中包含了训练的参数文件，因此不需要额外指定`--model`：

命令行使用：

CUDA_VISIBLE_DEVICES=0 \swift infer \    --adapters output/vx-xxx/checkpoint-xxx \    --stream false \    --max_batch_size 1 \    --load_data_args true \    --max_new_tokens 2048

4.总结

Qwen2.5-VL是由阿里巴巴通义千问团队推出的一款开源视觉语言模型，它在视觉理解、多模态交互以及自动化任务执行等方面展现出卓越的能力。

该模型不仅能够识别常见的物体，如花卉、鸟类、鱼类、昆虫等，还能深入分析图像中的文本、图表、图标、图形和布局，其通用图像识别能力得到了显著增强，大幅扩展了可识别的图像类别范围。此外，Qwen2.5-VL还具备强大的智能代理能力，能够直接作为视觉Agent进行操作，推理并动态使用工具，支持在计算机和手机上完成多步骤的复杂任务，例如自动查询天气、预订机票、发送消息等，这种能力无需对特定任务进行微调。

在长视频理解方面，Qwen2.5-VL表现尤为出色，能够理解超过1小时的长视频内容，并通过精准定位相关视频片段来捕捉事件。它引入了动态帧率（FPS）训练和绝对时间编码技术，能够定位秒级事件，并在长视频中搜索具体事件。这种时间感知能力使得模型在处理视频内容时更加精准和高效。同时，Qwen2.5-VL在视觉定位方面也表现出色，采用矩形框和点的多样化方式对通用物体进行定位，能够实现层级化定位，并输出规范的JSON格式坐标和属性。这种精准的视觉定位能力使其在多个领域具有广泛的应用前景。

Qwen2.5-VL在处理结构化数据方面同样表现出色，能够高效解析发票、表格、文档等结构化数据，并生成准确的结构化输出，广泛适用于金融、商业等领域的数字化信息处理。与Qwen2-VL相比，Qwen2.5-VL在多个技术维度上进行了优化。它的时间和空间感知能力得到了显著提升，模型能够动态地将不同尺寸的图像转换为不同长度的token，并直接使用图像的实际尺寸表示检测框和点等坐标。在时间维度上，引入了动态FPS训练和绝对时间编码，使得模型在处理视频内容时更加精准和高效。

综上所述，Qwen2.5-VL凭借其强大的视觉理解能力、智能代理功能和技术创新，为多模态AI的发展提供了新的思路和解决方案，适用于多种复杂的应用场景，展现了其在人工智能领域的巨大潜力和价值。

如果你觉得我的内容对你有帮助，或者让你眼前一亮，那就太好了！🎉

🌟 点赞是对我最大的鼓励，你的每一个赞都是我继续努力的动力！

👀 关注我，这样你就不会错过我接下来的精彩内容啦！我会持续分享更多有趣、有用的知识和见解。

📌 收藏这篇文章，以后需要的时候可以随时回顾，方便又实用！

如果你还有任何问题或想法，欢迎随时在评论区留言，我会第一时间回复你。让我们一起交流、一起进步！

感谢你的支持，希望我们都能在这个知识的海洋里，收获满满！💖