Qwen 2.5 VL多模态模型的应用

阿里巴巴的Qwen 2.5 VL大模型是通义千问团队推出的开源多模态视觉语言模型，以强大的视觉理解、视频解析和跨模态推理能力为核心突破，被业界认为是目前最先进的开源多模态算法之一。

Qwen 2.5 VL采用​​三模块架构​​：

1. 大语言模型（LLM）​​：基于Qwen2.5语言模型预训练权重，引入多模态旋转位置编码（MRoPE）对齐时间、空间与文本模态。
2. ​​视觉编码器（ViT）​​：重新设计的动态分辨率ViT，支持原生分辨率输入，通过窗口注意力机制（最大窗口112×112）和二维旋转位置编码（2D-RoPE）降低计算复杂度，同时保持空间感知精度。
3. 视觉-语言融合模块​​：采用多层感知机（MLP）压缩视觉特征序列，提升与LLM的交互效率。

其​​创新技术​​包括：

1. ​​动态帧率（FPS）训练与绝对时间编码​​：通过时间戳对齐实现长视频理解（支持1小时以上）和秒级事件定位
2. ​​结构化输出设计​​：生成JSON格式的坐标、属性数据，以及QwenVL HTML格式的文档版面还原
3. ​​设备操作能力​​：无需微调即可控制电脑、手机完成多步骤任务（如订机票、修图） 

下面介绍一下如何使用VL模型进行图像识别和视频识别。在HF-Mirror.com网站中下载Qwen2.5-VL-7B-Instruct-AWQ的权重，这是7B参数量的量化版本，可以在我的3090显卡上运行。以下代码是加载模型

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils i