9月2日，阿里云通義千問今日宣布開源第二代視覺語言模型 Qwen2-VL，并推出 2B、7B 兩個尺寸及其量化版本模型。同時，旗艦模型 Qwen2-VL-72B 的 API 已上線阿里云百煉平臺，用戶可直接調用。

據阿里云官方介紹，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 DocVQA、RealWorldQA、MTVQA 等基準測試創下全球領先的表現；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；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；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。Qwen2-VL 延續了 ViT 加 Qwen2 的串聯結構，三個尺寸的模型都采用了 600M 規模大小的 ViT，支持圖像和視頻統一輸入。

但為了讓模型能夠更清楚地感知視覺信息和理解視頻，團隊在架構上進行了一些升級。實現了對原生動態分辨率的全面支持。不同于上代模型，Qwen2-VL 能夠處理任意分辨率的圖像輸入，不同大小圖片將被轉換為動態數量的 tokens，最小只占 4 個 tokens。這一設計模擬了人類視覺感知的自然方式，確保了模型輸入與圖像原始信息之間的高度一致性，賦予模型處理任意尺寸圖像的強大能力，使得其可以更靈活高效地進行圖像處理。

還使用了多模態旋轉位置嵌入（M-ROPE）方法。傳統的旋轉位置嵌入只能捕捉一維序列的位置信息，M-ROPE 使得大規模語言模型能夠同時捕捉和整合一維文本序列、二維視覺圖像以及三維視頻的位置信息，賦予了語言模型強大的多模態處理和推理能力，能讓模型更好地理解和建模復雜的多模態數據。

此次 Qwen2-VL 開源的多款模型中的旗艦模型 Qwen2-VL-72B 的 API 已上線阿里云百煉平臺，用戶可通過阿里云百煉平臺直接調用 API。

同時，通義千問團隊以 Apache 2.0 協議開源了 Qwen2-VL-2B 和 Qwen2-VL-7B，開源代碼已集成到 Hugging Face Transformers、vLLM 和其他第三方框架中。開發者可以通過 Hugging Face 和魔搭 ModelScope 下載使用模型，也可通過通義官網、通義 App 的主對話頁面使用模型。