Qwen 2.5 VL 72B

Qwen 2.5 VL 72B liest nicht nur einzelne Bildinhalte. Das Modell analysiert Dokumente, Diagramme, Tabellen, Benutzeroberflächen und Videos, erkennt Text in verschiedenen Ausrichtungen und kann relevante Stellen visuell lokalisieren. Bounding Boxes und Punkte lassen sich als strukturierte JSON-Daten ausgeben.

Das 72B-Modell nimmt Text, Bilder und Videos an und gibt Text zurück. Qwen beschreibt außerdem ein Verständnis langer Videos und die Fähigkeit, relevante Ereignisse zeitlich einzugrenzen. Gegenüber diesem Checkpoint ordnet der technische Bericht Qwen 3 VL 32B als mittelgroßes Modell ein. Qwen berichtet dort einen Vorsprung bei visuellen Reasoning-Aufgaben.