摘要：阿里巴巴刚刚推出了Qwen2-VL，这是一种新的视觉语言 AI ​​模型，其在多个基准测试中均优于 GPT-4o，尤其是在文档理解和多语言文本图像理解方面表现出色。

详细信息：

Qwen2-VL 可以理解各种分辨率和比例的图像，以及超过 20 分钟的视频。

该模型尤其擅长解决大学水平的问题、数学推理和文档分析等复杂任务。

它还支持图像中的多语言文本理解，包括大多数欧洲语言、日语、韩语、阿拉伯语和越南语。

重要性：最先进的 AI 模型领域又多了一个新竞争者，它来自中国的阿里巴巴。Qwen2-VL 能够理解各种视觉输入和多语言请求，这可能会带来更复杂、更全球可访问的 AI 应用程序。

我们从六个关键维度评估了模型的视觉能力：复杂的大学级问题解决能力、数学能力、文档和表格理解能力、多语言文本图像理解能力、一般场景问答能力、视频理解能力和基于代理的交互能力。总体而言，我们的 72B 模型在大多数指标上都表现出顶级性能，甚至经常超越 GPT-4o 和 Claude 3.5-Sonnet 等闭源模型。值得注意的是，它在文档理解方面表现出显著优势。