【多模态大模型实战 01】Qwen2.5-VL-3B 基础环境配置

1、简要介绍

2025年2月Qwen2.5-VL 终于发布，相比上一代Qwen2.0-VL，增加了不少亮点。主要增强功能有：

• 强大的文档解析能力：将文本识别升级为全文档解析，能够出色地处理多场景、多语言、各种内置（手写、表格、图表、化学式、乐谱）文档。

• 跨格式的精确对象接地：提高检测、指向和计数对象的准确性，适应绝对坐标和 JSON 格式以进行高级空间推理。

• 超长视频理解和细粒度视频接地：将原生动态分辨率扩展到时间维度，增强理解数小时视频的能力，同时在数秒内提取事件片段。

• 增强计算机和移动设备的代理功能：利用先进的基础、推理和决策能力，通过智能手机和计算机上的卓越代理功能增强模型。

2、环境配置

• 推荐相关依赖版本

python==3.10
cuda