wen2.5-VL模型是一个视觉语言多模态大模型。 项目官方地址： https://github.com/QwenLM/Qwen2.5-VL

因为模型和权重是开源的， 可以本地部署， 也可以直接使用api调用更为方便。
截止到目前， 总共提供了10款VL模型。

api 文档: https://bailian.console.aliyun.com/?tab=doc#/api/?type=model&url=https%3A%2F%2Fhelp.aliyun.com%2Fdocument_detail%2F2845871.html

具体实现代码可以参考：https://github.com/leo038/spatial-perception/blob/main/qwen_vl_api.py

小tips： 由于大模型输出的信息层级非常多， 给解码带来很多不便。 可以使用https://www.json.cn/ 这个在线json格式化工具查看数据， 数据层级一目了然。

使用下来的感受：

• Qwen2.5-VL 32B和72B版本整体检测效果还不错；
• Qwen2.5-VL 3B和7B版本效果较差， 7B能检测一些简单场景， 复杂场景召回很低；3B版本在我的测试中一直无法输出有效的内容。
• 72B版本的指令遵循能力最好， 输出基本都是按照指定格式， 32B和7B 指令遵循略差， 经常输出一些无效内容， 如```json 代码段， 字段输出有时候不准确， 另外括号也可能不匹配。
• 使用大模型做检测， 更多的工作是在prompt工程和后处理， 包括对输出信息的解析、 可视化， 以及异常处理等等。

一些检测实例：
Qwen2.5 VL 72B

Qwen2.5 VL 32B

Qwen2.5 VL 7B

Qwen2.5 VL 3B

72B和32B效果较好， 7B和3B效果很差, 基本不可用。