Qwen2.5 VL! Qwen2.5 VL! Qwen2.5 VL! 重要的模型说三遍！

01

模型介绍

---

自 Qwen2-VL 发布以来的五个月里，众多开发者在 Qwen2-VL 视觉语言模型上构建了新模型，为Qwen团队提供了宝贵的反馈。在此期间，Qwen团队专注于构建更有用的视觉语言模型。今天，Qwen团队很高兴向大家介绍 Qwen 家族的最新成员：Qwen2.5-VL。

主要增强功能：

• 视觉理解事物：Qwen2.5-VL不仅能够熟练识别花、鸟、鱼、昆虫等常见物体，而且还能够分析图像中的文本、图表、图标、图形和布局。

• 代理性：Qwen2.5-VL直接扮演视觉代理的角色，具有推理和动态指挥工具的功能，可用于电脑和手机。

• 理解长视频并捕捉事件：Qwen2.5-VL 可以理解超过 1 小时的视频，这次它还具有通过精确定位相关视频片段来捕捉事件的新功能。

• 能够进行不同格式的视觉定位：Qwen2.5-VL 可以通过生成边界框或点来准确定位图像中的对象，并且可以为坐标和属性提供稳定的 JSON 输出。

• 生成结构化输出：对于发票、表格、表格等扫描件数据，Qwen2.5-VL 支持其内容的结构化输出，有利于金融、商业等领域的用途。

模型架构：

• 用于视频理解的动态分辨率和帧速率训练：

通过采用动态 FPS 采样将动态分辨率扩展到时间维度，使模型能够理解各种采样率的视频。相应地，Qwen团队在时间维度上用 ID 和绝对时间对齐更新 mRoPE，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团队通过策略性地将窗口注意力机制引入 ViT，提高了训练和推理速度。ViT 架构通过 SwiGLU 和 RMSNorm 得到进一步优化，使其与 Qwen2.5 LLM 的结构保持一致。

本次开源有三个模型，参数分别为 30 亿、70 亿和 720 亿。此 repo 包含指令调整的 72B Qwen2.5-VL 模型。

模型合集：

https://www.modelscope.cn/collections/Qwen25-VL-58fbb5d31f1d47

模型体验：

https://chat.qwenlm.ai/

技术博客：

https://qwenlm.github.io/blog/qwen2.5-vl/

代码地址：

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

02

模型效果

体验案例

模型评估

‍‍‍

‍

03

模型推理

使用transformers推理

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

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

提供了一个工具包，可帮助更方便地处理各种类型的视觉输入，就像使用 API 一样。这包括 base64、URL 以及交错的图像和视频。可以使用以下命令安装它：

pip install qwen-vl-utils[decord]==0.0.8

推理代码：

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor``from qwen_vl_utils import process_vision_info``from modelscope import snapshot_download``   ``model_dir = snapshot_download("Qwen/Qwen2.5-VL-3B-Instruct")``# default: Load the model on the available device(s)``model = Qwen2_5_VLForConditionalGeneration.from_pretrained(`    `model_dir, torch_dtype="auto", device_map="auto"``)``   ``# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.``# model = Qwen2_5_VLForConditionalGeneration.from_pretrained(``#     "Qwen/Qwen2.5-VL-3B-Instruct",``#     torch_dtype=torch.bfloat16,``#     attn_implementation="flash_attention_2",``#     device_map="auto",``# )``   ``# default processer``processor = AutoProcessor.from_pretrained(model_dir)``   ``# The default range for the number of visual tokens per image in the model is 4-16384.``# You can set min_pixels and max_pixels according to your needs, such as a token range of 256-1280, to balance performance and cost.``# min_pixels = 256*28*28``# max_pixels = 1280*28*28``# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)``   ``messages = [`    `{`        `"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(`    `messages, tokenize=False, add_generation_prompt=True``)``image_inputs, video_inputs = process_vision_info(messages)``inputs = processor(`    `text=[text],`    `images=image_inputs,`    `videos=video_inputs,`    `padding=True,`    `return_tensors="pt",``)``inputs = inputs.to("cuda")``   ``# Inference: Generation of the output``generated_ids = model.generate(**inputs, max_new_tokens=128)``generated_ids_trimmed = [`    `out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)``]``output_text = processor.batch_decode(`    `generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False``)``print(output_text)

使用魔搭API-Inference直接调用

魔搭平台的API-Inference，也第一时间为Qwen2.5-VL系列模型提供了支持。魔搭的用户可通过API调用的方式，直接使用。具体API-Inference的使用方式可参见模型页面（例如 https://www.modelscope.cn/models/Qwen/Qwen2.5-VL-72B-Instruct）说明：

或者参见API-Inference文档：

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

这里以如下图片为例，调用API使用Qwen/Qwen2.5-VL-72B-Instruct模型：

from openai import OpenAI``client = OpenAI(`    `api_key="<MODELSCOPE_SDK_TOKEN>", # ModelScope Token`    `base_url="https://api-inference.modelscope.cn/v1"``)``   ``response = client.chat.completions.create(`    `model="Qwen/Qwen2.5-VL-72B-Instruct", # ModleScope Model-Id`    `messages = [`        `{`            `"role": "user",`            `"content": [`                `{`                    `"type": "image_url",`                    `"image_url": {"url": "https://modelscope.oss-cn-beijing.aliyuncs.com/demo/images/bird-vl.jpg"}`                `},`                `{   "type": "text",``                    "text": "Count the number of birds in the figure, including those that are only showing their heads. To ensure accuracy, first detect their key points, then give the total number."`                `},`            `],`        `}`    `],`    `stream=True`    `)``   ``   ``for chunk in response:`    `print(chunk.choices[0].delta.content, end='', flush=True)

感谢阿里云百炼平台提供背后算力支持

04

模型微调

我们介绍使用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

在这里，我们将展示可运行的微调demo，并给出自定义数据集的格式。

在开始微调之前，请确保您的环境已准备妥当。

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

图像OCR微调脚本如下：

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

训练显存资源：

视频微调脚本如下：

# VIDEO_MAX_PIXELS等参数含义可以查看：https://swift.readthedocs.io/zh-cn/latest/Instruction/%E5%91%BD%E4%BB%A4%E8%A1%8C%E5%8F%82%E6%95%B0.html#id18``nproc_per_node=2``   ``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

训练显存资源：

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"]}``{"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任务微调脚本如下：

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

训练显存资源：

grounding任务自定义数据集格式如下：

{"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]]}}

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`：

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

推送模型到ModelScope：

CUDA_VISIBLE_DEVICES=0 \``swift export \`    `--adapters output/vx-xxx/checkpoint-xxx \`    `--push_to_hub true \`    `--hub_model_id '<your-model-id>' \`    `--hub_token '<your-sdk-token>'

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓