Qwen2.5-VL Notebook 示例详解：从入门到精通多模态视觉模型.docxVIP

Qwen2.5-VLNotebook示例详解：从入门到精通多模态视觉模型

近日，Qwen团队隆重推出了一系列?Qwen2.5-VL用例Notebook示例，全面展示了本地模型和API的强大功能。这批精心打造的Notebook旨在帮助开发者和用户更深入地了解?Qwen2.5-VL?强大的视觉理解能力，并启发更多创新应用。

?

Notebook示例：快速上手，体验Qwen2.5-VL的卓越性能

通过这些详尽的Notebook示例，开发者能够?快速上手并亲身体验Qwen2.5-VL模型在各项任务中的出色表现。无论是应对复杂的文档解析、执行精准的OCR任务，还是进行深入的视频内容理解，Qwen2.5-VL都能提供高效且准确的反馈，充分展现其卓越的性能。

同时，Qwen团队也期待社区能够积极反馈并贡献力量，共同完善和拓展Qwen2.5-VL的能力边界，携手推动多模态技术的发展。

???相关链接：

GitHub代码仓库:?/QwenLM/Qwen2.5-VL/tree/main/cookbooks

在线体验:?https://chat.qwenlm.ai(选择Qwen2.5-VL-72B-Instruct模型)

ModelScope模型链接：?/collections/Qwen25-VL-58fbb5d31f1d47

百炼API接口:?/zh/model-studio/user-guide/vision/

?

Notebook示例详解

01ComputerUse(电脑使用)

此Notebook示例演示了如何利用Qwen2.5-VL执行与电脑使用相关的任务。

用户只需截取电脑桌面屏幕截图并提出查询，Qwen2.5-VL模型即可分析截图内容，理解用户意图，进而生成精确的点击或输入等操作指令，实现对电脑的智能控制。

Notebook链接:

?/QwenLM/Qwen2.5-VL/blob/main/cookbooks/computer_use.ipynb

02SpatialUnderstanding(空间理解)

此Notebook示例着重展示了Qwen2.5-VL先进的空间定位能力，包括精准的物体检测和图像中特定目标的定位。

通过示例，可以深入了解Qwen2.5-VL如何有效地整合视觉和语言理解，从而准确解读复杂场景，实现高级的空间推理。

?Notebook链接:

?/QwenLM/Qwen2.5-VL/blob/main/cookbooks/spatial_understanding.ipynb

03DocumentParsing(文档解析)

此Notebook示例突显了Qwen2.5-VL强大的文档解析能力。它可以处理各种图像格式的文档，并以HTML、JSON、MD和LaTeX等多种格式输出解析结果。

特别值得关注的是，Qwen创新性地引入了一种独特的QwenVLHTML格式。这种格式包含了文档中每个组件的位置信息，从而能够实现对文档的精确重建和灵活操作。

?Notebook链接:?

/QwenLM/Qwen2.5-VL/blob/main/cookbooks/document_parsing.ipynb

04MobileAgent(移动设备代理)

此Notebook示例演示了如何利用Qwen2.5-VL的代理功能与移动设备进行智能交互。

示例展示了Qwen2.5-VL模型如何根据用户的查询和移动设备的视觉上下文，生成并执行相应的操作，实现对移动设备的便捷控制。

Notebook链接:

?/QwenLM/Qwen2.5-VL/blob/main/cookbooks/mobile_agent.ipynb

05OCR(光学字符识别)

此Notebook示例专注于展示Qwen2.5-VL的OCR(光学字符识别)能力，包括从图像中精准提取和识别文本信息。

通过示例，用户可以直观地了解Qwen2.5-VL如何在复杂场景下准确捕捉和解读文本内容，展现其强大的文字识别能力。

Notebook链接:?

/QwenLM/Qwen2.5-VL/blob/main/cookbooks/ocr.ipynb

06UniversalRecognition(万物识别)

此Notebook示例演示了如何使用Qwen2.5-VL进行通用物体识别。

用户只需提供一张图像和一个查询，Qwen2.5-VL模型便能分析图像，理解用户查询意图，并给出相应的识别结果，实现对图像内容的全面的理解。

?Notebook链接:

?/QwenLM/Qwen2.5-VL/blob/ma