通义开源32B视觉模型，阿里与DeepSeek前后脚上新！能看图说话

程茜2025年03月25日约 4 分钟

新模型多项测试超过72B前代模型，纯文本能力整体优于GPT-4o mini。

作者 | 程茜

编辑 | 心缘

智东西3月25日报道，昨天，阿里云通义千问开源更小尺寸的视觉理解模型Qwen2.5-VL-32B-Instruct。与昨夜DeepSeek V3新版本DeepSeek-V3-0324的发布时间几乎前后脚。

Qwen2.5-VL-32B-Instruct的优势主要集中于三个方面：研究人员调整了输出风格，使其回答详细、格式规范且更符合人类偏好；在数学推理能力方面，可应对复杂数学问题；在图像解析、内容识别、视觉逻辑推导等任务中更准确并具备细粒度分析能力。

该模型是在1月底开源的视觉模型Qwen2.5-VL系列的基础上，研究人员基于强化学习持续优化的模型，新模型使用Apache 2.0协议开源。

科技博主Simon Willison在博客中提到，32B参数正迅速成为其最喜欢的模型大小，既能达到可媲美GPT-4级别的能力，又小到可以在其64GB内存的Mac上使用，并且仍有足够的RAM来运行其他如火狐浏览器（Firefox）和软件开发工具Visual Studio Code等内存占用较大的应用程序。

GitHub地址：

https://github.com/QwenLM/Qwen2.5-VL

Hugging Face地址：

https://huggingface.co/Qwen/Qwen2.5-VL-32B-Instruct

4月1-2日，智东西联合主办的2025中国生成式AI大会（北京站）将举行。35+位嘉宾/企业已确认，将围绕DeepSeek、大模型与推理模型、具身智能、AI智能体与GenAI应用带来分享和讨论。更多嘉宾陆续揭晓。欢迎报名～

01.

一张图就能输出地理特征、地形地貌

几何难题也能胜任

Simon Willison尝试了Qwen2.5-VL-32B-Instruct的图片理解能力，他上传了一张图片让模型识别。Qwen2.5-VL-32B-Instruct给出了图片中包含的地理特征、分颜色区域、深度等值线、保护区等诸多要素。

官方博客中展示了Qwen2.5-VL-32B-Instruct在细粒度图像理解和数学推理方面的实际表现。

第一个提示词是：“我开着大货车在这条路上行驶，现在已经12点了，我能在13点之前到达110公里以外的地方吗？”模型需要在理解用户需求的基础上，补充图片上对车辆限速的背景信息再得出结论。

可以看到，Qwen2.5-VL-32B-Instruct先将题目和图片中的信息进行了汇总，然后进行逐步分析解答。

第二个问题是数学推理，提示词为：“如图所示，直线AB和CD在O点相交，OD平分∠AOE，∠BOC=50.0，然后∠EOB=（）”这道题重点考察的是模型够准确理解几何图形的基本概念，以及相关角之间的位置关系，如对顶角、角平分线等概念在图形中的体现。

第三个提示词是：“侏罗纪蜘蛛网是一种非常有规律的蜘蛛网，如图，它是由无数个正方形环绕而成的，且最外边第一个正方形A_{1}B_{1}C_{1}D_{1}的面积为a_{1}=1，分别取正方形A_{1}B_{1}C_{1}D_{1}各边的三等分点A_{2}，B_{2}，C_{2}，D_{2}，作第二个正方形A_{2}B_{2}C_{2}D_{2}，且正方形A_{2}B_{2}C_{2}D_{2}的面积为a_{2}，\ldots\ldots，依次类推，第n个正方形A_{n}B_{n}C_{n}D_{n}的面积为a_{n}. $求{a_{n}}的通项公式”。

这道题综合考查了几何图形分析、归纳推理、数学运算以及数列知识运用等多方面的能力。在Qwen2.5-VL-32B-Instruct的解题过程中，其首先罗列了解题文章的基本思路，然后进行分步骤解答。