„Alibaba“ „Qwen“ komanda išleidžia AI modelius, kurie gali valdyti kompiuterius ir telefonus
Kinijos AI laboratorijos „Deepseek“ šią savaitę gali sulaukti didžiąją dalį technologijų pramonės dėmesio. Tačiau vienas iš geriausių vidaus konkurentų „Alibaba“ nesėdi.
„Alibaba“ „Qwen“ komanda pirmadienį išleido naują AI modelių „Qwen2.5-VL“ šeimą, kuri gali atlikti daugybę teksto ir vaizdo analizės užduočių. Modeliai gali analizuoti failus, suprasti vaizdo įrašus ir suskaičiuoti objektus vaizduose, taip pat valdyti kompiuterį – panašų į modelį, maitinantį „Openai“ neseniai paleistą operatorių.
Remiantis „Qwen“ komandos lygintuvu, geriausias „QWEN2.5-VL“ modelis įveikia Openai's GPT-4o, „Anthropic“ „Claude 3.5 Sonnet“ ir „Google's Gemini 2.0“ blykstę įvairiuose vaizdo supratimo, matematikos, dokumentų analizės ir klausimų perdavimo vertinimuose.
„QWEN2.5-VL“, kurį galima išbandyti „Alibaba“ „Qwen“ pokalbių programoje ir atsisiųsti iš AI dev platformos, apkabinančios veidą, gali analizuoti diagramas ir grafiką, išgauti iš sąskaitų ir formų nuskaitymų duomenis ir „suprasti“ daugybę valandų trunkančių kelių valandų ilgio. Vaizdo įrašai, sako „Qwen“ komanda. „Qwen2.5-VL“ taip pat gali atpažinti „IPS iš kino ir TV serialų, taip pat daugybę produktų“,-rodo, kad komanda rodo, kad modeliai iš dalies galėjo būti išmokyti autorių teisių saugomų darbų.
„Qwen2.5-VL“, būdama Kinijos kompanijos sukūrė AI, turi tam tikrus apribojimus tomis temomis, kurias ji aptars-bent jau „Qwen“ pokalbiuose. Kai paprašiau didžiausio ir pajėgiausio „Qwen2.5-VL“ modelio „Qwen2.5-VL-72B“, norėdamas kalbėti apie „Xi Jinping'o klaidas“, „Qwen Chat“ metė klaidos pranešimą.
Kinijos interneto reguliatorių etalonuose daugelis šalyje sukurtų modelių, siekiant užtikrinti jų atsakymus „įkūnyti pagrindines socialistines vertybes“. Daugelis Kinijos AI sistemų atsisako reaguoti į temas, kurios gali padidinti reguliavimo institucijų, tokių kaip Taivano autonomija.
Viena iš įdomesnių „Qwen2.5-VL“ funkcijų yra jos sugebėjimas bendrauti su programine įranga-tiek kompiuteriais, tiek mobiliaisiais įrenginiuose. Philipp Schmid, „Hugging Face“, „Qwen2.5-VL“, paskelbė „X Booking.com“ programą „Android“ ir rezervuodamas skrydį iš Chongqing į Pekiną, vaizdo įrašas.
Nepraleisk @Alibaba_qwen 2.5 VL! Nepaisant visų „Deepseeek Hype“, Qwenas tiesiog numetė geriausią atvirą multimodalą! „Qwen 2.5 VL“ yra regėjimo kalbos modelis, galintis valdyti jūsų kompiuterį, panašų į @Openai Operatorius, ištraukite struktūrizuotą informaciją iš diagramų ir dar daugiau !!
Tl; dr;
3️⃣ … pic.twitter.com/geegvdl0ti– Philipas Schmidas (@_philschmid) 2025 m. Sausio 27 d
Žemiau esančiame vaizdo įraše „Qwen2.5-VL“ modelis kontroliuoja „Linux“ darbalaukio programas, tačiau atrodo, kad jis ne tik perjungia skirtukus. Galbūt pasakytina apie tai, kad „Qwen“ etalonas rodo „Qwen2.5-VL“, kuris prastai įvertino „Osworld“-etaloną, kuris bando imituoti tikrą kompiuterio aplinką.
„LMAO QWEN 2.5 VL“ gali atlikti kompiuterių naudojimą iš dėžutės, imdamasis „Openai“ operatoriaus! 🐐 pic.twitter.com/lwmecxznsu
– Vaibhav (VB) Srivastav (@reach_vb) 2025 m. Sausio 27 d
Du mažesnius, mažiau rafinuotus „QWEN2.5-VL“ serijos modelius, „QWEN2.5-VL-3B“ ir „QWEN2.5-VL-7B“ galima įsigyti pagal leistiną licenciją. Tačiau pavyzdyje „QWEN2.5-VL-72B“ yra taikoma „Alibaba“ pasirinktinė licencija, kurioje reikalaujama, kad įmonės ir devai, turintys daugiau nei 100 milijonų mėnesinių aktyvių vartotojų, prašo „QWEN/Alibaba“ leidimo prieš diegdamos modelį komerciškai.
