Qwen 2.5 VL to zaawansowany model wielomodalny od Alibaba Cloud, który potrafi analizować i rozumieć tekst, obrazy oraz długie materiały wideo przekraczające godzinę trwania. Model wyróżnia się zdolnością do precyzyjnej lokalizacji obiektów na obrazach, wyodrębniania danych strukturalnych z dokumentów oraz pełnienia roli autonomicznego agenta wizualnego.
Źródło: alibabacloud.com
