1月26日，通义千问团队发布Qwen2.5-VL视觉语言模型，并开放3B、7B和72B三种规模的基础模型与指令模型。不同参数规模覆盖边缘设备、常规开发和复杂视觉任务，为开发者提供了更细分的部署选择。

根据Qwen团队介绍，Qwen2.5-VL不仅能够识别常见物体，还加强了文本、图表、图标、页面布局和扫描文档的理解能力。模型支持从发票、表单和表格中提取结构化信息，也能够对较长视频进行理解，并定位与事件相关的时间片段。

此次更新还强调视觉智能体能力。模型可以结合屏幕画面进行推理，并执行电脑或手机操作相关任务。相比单纯回答“图片里有什么”，视觉智能体需要进一步理解界面结构、判断操作目标并输出坐标或结构化结果，这为后台录入、页面测试和跨系统信息处理提供了新的技术路径。

不过，文档识别和界面操作对准确率要求较高。发票金额、合同条款、页面按钮和坐标一旦识别错误，可能直接影响后续流程。企业应用时应保留原始图片、结构化结果和人工校验记录，并对不同类型的图片分别评估。

*本文为基于官方发布信息的中文摘要，详情以原文链接为准。