超越GPT-4o！阿里发布最强开源多模态模型Qwen2-VL，支持实时视频对话

AIGC动态欢迎阅读

原标题：超越GPT-4o！阿里发布最强开源多模态模型Qwen2-VL，支持实时视频对话
关键字：模型,视频,图像,能力,任务
文章来源：量子位
内容字数：0字

内容摘要：

克雷西发自凹非寺量子位 | 公众号 QbitAI新的最强开源多模态大模型来了！
阿里Qwen2大模型家族新添多模态模型Qwen2-VL，在图像和长视频理解任务上双双取得了SOTA。
在具体的子类任务中，Qwen2-VL在大部分的指标上都达到了最优，甚至超过 GPT-4o等闭源模型。
在多模态能力的加持下，Qwen2-VL可以实时读取摄像头或电脑屏幕，进行文字形式的视频对话。
甚至还能作为Agent与环境进行交互，根据任务目标自主操控手机等设备。
此次发布的Qwen2共有2B、7B、72B三个版本，其中2B和7B版本已可下载并免费商用（Apache 2.0），72B则通过API提供。
目前开源代码已集成到Hugging Face Transformers、vLLM等第三方框架中。
还有不少网友都在狂cue一些知名大模型推理平台，如Groq、Ollama，希望能够早日提供支持。
下面就来一睹Qwen2-VL的表现！
会操作机械臂的多模态大模型利用强大的多模态能力，Qwen2-VL能够操纵机械臂，进行物体的拿取、放置等操作。
还可以化身扑克牌玩家，根据识别到的场上信息和提示词描述进行“2

原文链接：超越GPT-4o！阿里发布最强开源多模态模型Qwen2-VL，支持实时视频对话