阿里发布最强开源多模态模型Qwen2-VL，支持实时视频对话

文章预览

克雷西 发自 凹非寺 来源 | 量子位 新的最强开源多模态大模型来了！ 阿里Qwen2大模型家族新添多模态模型 Qwen2-VL ，在图像和长视频理解任务上双双取得了SOTA。 在具体的子类任务中，Qwen2-VL在大部分的指标上都达到了最优，甚至超过 GPT-4o等闭源模型。 在多模态能力的加持下，Qwen2-VL可以实时读取摄像头或电脑屏幕，进行文字形式的视频对话。 甚至还能作为Agent与环境进行交互，根据任务目标自主操控手机等设备。 此次发布的Qwen2共有2B、7B、72B三个版本，其中2B和7B版本已可下载并免费商用 （Apache 2.0） ，72B则通过API提供。 目前开源代码已集成到Hugging Face Transformers、vLLM等第三方框架中。 还有不少网友都在狂cue一些知名大模型推理平台，如Groq、Ollama，希望能够早日提供支持。 下面就来一睹Qwen2-VL的表现！ 会操作机械臂的多模态大模型 利用强大的 ………………………………