智东西（公众号：zhidxcom）
作者 | 程茜
编辑 | 心缘
智东西(xi)3月25日报道，昨天，阿(a)里云通义千问开(kai)源(yuan)更(geng)小尺寸的视(shi)觉理解模型Qwen2.5-VL-32B-Instruct。与昨夜的发(fa)布时间(jian)几乎前后脚(jiao)。
Qwen2.5-VL-32B-Instruct的(de)优(you)势(shi)主要集中(zhong)于三(san)个方面：研(yan)究人员调整(zheng)了输(shu)出(chu)风格(ge)，使(shi)其回答详细(xi)、格(ge)式规范且(qie)更符合人类偏好；在(zai)数学推理能力(li)方面，可应对复杂(za)数学问题；在(zai)图像(xiang)解析、内容(rong)识别、视觉逻辑推导等任务(wu)中(zhong)更准确并具(ju)备细(xi)粒度分析能力(li)。
该模型(xing)是在(zai)1月底开(kai)源的(de)视觉模型(xing)Qwen2.5-VL系列(lie)的(de)基础上，研(yan)究人(ren)员基于(yu)强(qiang)化学习(xi)持续优化的(de)模型(xing)，新模型(xing)使(shi)用Apache 2.0协议开(kai)源。
科技博主(zhu)Simon Willison在博客中提到，32B参数正迅速成为其最喜欢的模型大(da)小，既(ji)能达到可媲美GPT-4级别的能力，又小到可以在其64GB内(nei)存的Mac上使用，并且仍(reng)有(you)足够的RAM来运行其他如火狐浏览器（Firefox）和软件开发工具(ju)Visual Studio Code等内(nei)存占用较(jiao)大(da)的应用程序。
GitHub地址：//github.com/QwenLM/Qwen2.5-VL
Hugging Face地址：//huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct
一、一张图就能输出地理特征、地形地貌，几何难题也能胜任
Simon Willison尝试了(le)(le)Qwen2.5-VL-32B-Instruct的图(tu)片理(li)解能力，他上(shang)传了(le)(le)一张图(tu)片让模(mo)型识别。Qwen2.5-VL-32B-Instruct给(ji)出了(le)(le)图(tu)片中包含的地理(li)特征(zheng)、分颜(yan)色区域、深度等值线、保(bao)护区等诸多要(yao)素。
官方博(bo)客中展示(shi)了(le)Qwen2.5-VL-32B-Instruct在细(xi)粒度图像理解和数(shu)学(xue)推(tui)理方面的实(shi)际表现(xian)。
第一个提示词是：“我开着大货车在这条路上行驶，现在已经12点了，我能在13点之前到达110公里以外的地方吗？”模型需要在理解用户需求(qiu)的(de)基础上，补充图片(pian)上对车辆限速的(de)背景信息再得出结论。
可以看到，Qwen2.5-VL-32B-Instruct先(xian)将(jiang)题目(mu)和图片中的信息(xi)进行了汇(hui)总，然后(hou)进行逐步分析解答(da)。
第二个问题是数学推理，提示词为：“如图所示，直线AB和CD在O点相交，OD平分∠AOE，∠BOC=50.0，然后∠EOB=（）”这(zhei)道(dao)题(ti)重点(dian)考察的是模型(xing)够准(zhun)确理解几何图(tu)形的基本概念，以(yi)及相关角之间(jian)的位置关系，如对(dui)顶角、角平(ping)分(fen)线等概念在(zai)图(tu)形中的体现。
第三个提示词是：“侏罗纪蜘蛛网是一种非常有规律的蜘蛛网，如图，它是由无数个正方形环绕而成的，且最外边第一个正方形A_{1}B_{1}C_{1}D_{1}的面积为a_{1}=1，分别取正方形A_{1}B_{1}C_{1}D_{1}各边的三等分点A_{2}，B_{2}，C_{2}，D_{2}，作第二个正方形A_{2}B_{2}C_{2}D_{2}，且正方形A_{2}B_{2}C_{2}D_{2}的面积为a_{2}，\ldots \ldots ，依次类推，第n个正方形A_{n}B_{n}C_{n}D_{n}的面积为a_{n}. $求{a_{n}}的通项公式”。
这道(dao)题综合考查了几何(he)图形(xing)分(fen)析、归(gui)纳推理(li)、数学(xue)运算以及数列知(zhi)识运用(yong)等多(duo)方面的能力(li)。在Qwen2.5-VL-32B-Instruct的解题过(guo)程(cheng)中，其(qi)首(shou)先罗(luo)列了解题文章(zhang)的基(ji)本思(si)路，然后进(jin)行分(fen)步(bu)骤解答(da)。
最后一个(ge)是(shi)对精细图片(pian)的理解，Qwen2.5-VL-32B-Instruct通过图片(pian)中的锅(guo)底、分格设计、配(pei)菜、氛围等识别出(chu)这是(shi)四川麻辣火锅(guo)，并附上了(le)简介。在用户(hu)询问这为什(shen)么是(shi)四川火锅(guo)时，其对上述关键要素(su)进行了(le)详细引用给出(chu)答案。
二、多项测试超过72B前代模型，纯文本能力整体优于GPT-4o mini
多(duo)项基准测试(shi)中(zhong)，Qwen2.5-VL-32B-Instruct的(de)(de)表现(xian)超过了Mistral-Small-3.1-24B和Gemma-3-27B-IT，以及(ji)参数规模更大的(de)(de)Qwen2-VL-72B-Instruct模型。
在强调复(fu)杂任务多(duo)步骤推理(li)的MMMU、MMMU-Pro和(he)MathVista中，Qwen2.5-VL-32B-Instruct表现优于Mistral-Small-3.1-24B、Gemma-3-27B-IT、Qwen2-VL-72B-Instruct。
同时，注重主观(guan)用户(hu)体验评估(gu)的MM-MT-Bench基准测试中，该模(mo)型相较于其前代Qwen2-VL-72B-Instruct表现更好。
纯文本(ben)能力方面(mian)，Qwen2.5-VL-32B-Instruct是同规模模型中整体表现最(zui)好的。
结语：下一步将聚焦长且有效的视觉推理
相比于(yu)(yu)Qwen2.5-VL系列模型，基于(yu)(yu)快思考(kao)模式，Qwen2.5-VL-32B在强(qiang)化学习框架(jia)下(xia)优(you)化了(le)主(zhu)观体验和数(shu)学推理能力。
阿里(li)云通义(yi)千(qian)问的(de)研究团队(dui)下一步研究将聚焦(jiao)于长且有效的(de)推理(li)过程，以突(tu)破视觉(jue)模型在处理(li)高度复(fu)杂、多步骤视觉(jue)推理(li)任务(wu)中(zhong)的(de)边界。
