Qwen2.5 VL 72B Instruct

À quoi sert Qwen2.5 VL 72B Instruct

Chat

Qwen2.5-VL-72B-Instruct s’utilise comme modèle de chat avec la bibliothèque transformers, selon la carte de modèle de Qwen. Dans l’exemple de code, il reçoit une image accompagnée d’une consigne lui demandant de la décrire. À sa sortie, la série Qwen2.5-VL joue aussi le rôle d’agent visuel qui raisonne et dirige des outils de façon dynamique, selon Qwen. Elle est « capable » d’utiliser un ordinateur et un téléphone, selon Qwen.

Vision et compréhension

Qwen2.5-VL, la série à laquelle appartient ce modèle, est présentée à sa sortie par Qwen comme « compétente » pour reconnaître des objets courants : fleurs, oiseaux, poissons et insectes. Selon Qwen, elle est également « hautement capable » d’analyser les textes, les graphiques, les icônes, les illustrations et les mises en page des images.

À sa sortie, la série Qwen2.5-VL localise les objets dans une image « avec précision », selon Qwen, en produisant des boîtes englobantes ou des points. Pour les coordonnées et les attributs, elle fournit des sorties JSON qualifiées de « stables » par Qwen. Selon Qwen, elle prend aussi en charge, à sa sortie, des sorties structurées issues de scans de factures, de formulaires et de tableaux, avec des usages en finance et dans le commerce.

À sa sortie, la série Qwen2.5-VL dispose de QwenVL HTML, son format d’analyse de documents qui extrait la mise en page à partir du HTML, selon Qwen. Parmi les documents concernés figurent les magazines, les articles de recherche, les pages web et les captures d’écran de mobile. Selon Qwen, à sa sortie, la série comprend aussi des vidéos de plus d’une heure et repère un événement en désignant les passages qui le contiennent.

Les performances de Qwen2.5 VL 72B Instruct

Qwen2.5-VL-72B-Instruct obtient, selon Qwen à sa sortie, des performances « compétitives » sur des tests couvrant les problèmes de niveau universitaire, les mathématiques, la compréhension de documents, les questions générales, la compréhension vidéo et les tâches d’agent visuel. Dans son billet d’annonce, Qwen attribue aussi à la famille Qwen2.5-VL des avantages « significatifs » pour comprendre les documents et les diagrammes, ainsi que la capacité à jouer le rôle d’agent visuel sans ajustement propre à la tâche.

Sur MMMU (val), Qwen2.5-VL-72B obtient 70,2 contre 64,5 pour Qwen2-VL-72B, selon Qwen. Pour MathVista (mini), le score atteint 74,8 contre 70,5 pour le modèle comparé, selon Qwen. En compréhension de documents, il obtient 96,4 sur DocVQA (val), contre 96,1 pour le même modèle, selon Qwen. Sur CC-OCR, il atteint 79,8 contre 68,7 pour ce modèle, selon Qwen.

En compréhension vidéo, Qwen2.5-VL-72B obtient 47,3 sur LVBench contre 41,3 pour Qwen2-VL-72B, selon Qwen. Sur VideoMME sans sous-titres, il atteint 73,3 contre 71,2 pour le modèle comparé, selon Qwen. Pour les tâches d’agent visuel, il obtient 43,6 sur ScreenSpot Pro contre 1,6 pour le même modèle, selon Qwen. Sur Android Control Low_EM, son score atteint 93,7 contre 59,2 pour ce modèle, selon Qwen.

Caractéristiques techniques de Qwen2.5 VL 72B Instruct

Qwen2.5 VL 72B Instruct est sorti le 28 janvier 2025. Le bloc des caractéristiques reprend les données techniques d’OpenRouter.

Sur OpenRouter, le modèle accepte du texte et des images en entrée, avec une fenêtre de contexte de 128 000 tokens. Selon la carte du modèle publiée par Qwen sur Hugging Face, le fichier config.json est réglé pour un contexte de 32 768 tokens au plus. Pour traiter les entrées plus longues, Qwen utilise YaRN, selon cette même carte du modèle.

Selon Qwen, à sa sortie, l’encodeur visuel ViT est entraîné depuis zéro : quatre couches utilisent l’attention complète, les autres l’attention par fenêtre, avec une fenêtre de 8 × 8 au plus. Toujours selon Qwen, à sa sortie, l’entraînement à fréquence d’images dynamique et l’encodage du temps absolu permettent au modèle d’apprendre le rythme du temps dans une vidéo.

Selon Qwen, les poids sont publiés sous Qwen License, dont les conditions figurent dans le fichier LICENSE sur Hugging Face. Pour un usage commercial dans un produit de plus de 100 millions d’utilisateurs actifs par mois, cette licence impose une demande de licence à Alibaba Cloud, selon le fichier LICENSE publié par Qwen.

Où utiliser Qwen2.5 VL 72B Instruct

Qwen2.5 VL 72B Instruct pouvait être essayé sur Qwen Chat à sa sortie, selon Qwen. La carte d’accès indique les derniers prix relevés.

Selon Qwen, les modèles de base et Instruct de la série Qwen2.5-VL étaient ouverts sur Hugging Face et ModelScope à sa sortie, dans les tailles 3B, 7B et 72B. Une version quantifiée AWQ dans ces mêmes tailles a été publiée le 20 février 2025 avec le rapport technique de Qwen2.5-VL, selon Qwen.

Qwen2.5 VL 72B Instruct parmi les versions de Qwen VL

Qwen2.5 VL 72B Instruct est la version de 72 milliards de paramètres ajustée aux instructions de la série Qwen2.5-VL, publiée le 28 janvier 2025 selon Qwen. À sa sortie, Qwen présente cette série comme son nouveau modèle vision-langage phare et comme « un bond important » par rapport à la génération précédente, Qwen2-VL : cette appréciation est celle de l’éditeur.

À sa sortie, selon Qwen, la série Qwen2.5-VL était publiée en trois tailles, de 3, 7 et 72 milliards de paramètres. Qwen3 VL 235B A22B Instruct, sorti le 23 septembre 2025, appartient à la génération Qwen3 VL, sortie après elle. La frise des versions situe Qwen2.5 VL 72B Instruct parmi les versions de Qwen VL, avec leur mois de sortie.

FAQ