\u4e3a\u4e86\u5904\u7406\u590d\u6742\u8f93\u5165，Qwen2.5-VL \u5f15\u5165\u4e86\u52a8\u6001\u5206\u8fa8\u7387\u5904\u7406<\/span>\u548c\u7edd\u5bf9\u65f6\u95f4\u7f16\u7801<\/span>，\u80fd\u591f\u5904\u7406\u4e0d\u540c\u5c3a\u5bf8\u7684\u56fe\u7247\u548c\u65f6\u957f\u8fbe\u6570\u5c0f\u65f6\u7684\u89c6\u9891，\u5e76\u5b9e\u73b0\u79d2\u7ea7\u4e8b\u4ef6\u5b9a\u4f4d\u3002\u8fd9\u4f7f\u5f97\u6a21\u578b\u65e0\u9700\u4f9d\u8d56\u4f20\u7edf\u7684\u5f52\u4e00\u5316\u6280\u672f，\u5c31\u80fd\u591f\u539f\u751f\u611f\u77e5\u7a7a\u95f4\u5c3a\u5ea6\u548c\u65f6\u95f4\u52a8\u6001\u3002<\/p>\n \u901a\u8fc7\u4ece\u96f6\u5f00\u59cb\u8bad\u7ec3\u4e00\u4e2a\u539f\u751fnative\u52a8\u6001\u5206\u8fa8\u7387\u7684 Vision Transformer（ViT）<\/span>，\u5e76\u7ed3\u5408\u6ed1\u7a97\u6ce8\u610f\u529b\u673a\u5236<\/span>（Window Attention），Qwen2.5-VL \u5728\u4fdd\u6301\u539f\u751f\u5206\u8fa8\u7387\u7684\u540c\u65f6，\u663e\u8457\u964d\u4f4e\u4e86\u8ba1\u7b97\u5f00\u9500<\/span>\u3002<\/p>\n native dynamic-resolution Vision Transformer:\u4ece\u5934\u8bad\u7ec3\u7684VIT\u3002（\u4f46\u4e0d\u786e\u5b9a\u662f\u4ece0\u5f00\u59cb\u521d\u59cb\u5316？\u8fd8\u662f\u8bf4\u7528\u4e86\u4e4b\u524dViT\u7684\u6743\u91cd，\u4f46\u662f\u6ca1\u6709\u51bb\u7ed3\u6743\u91cd？）<\/p>\n \u53ea\u8981\u7528\u4e86window Attention，\u8ba1\u7b97\u91cf\u5c31\u4f1a\u51cf\u5c0f，\u56e0\u4e3aglobal attention\u8ba1\u7b97\u590d\u6742\u5ea6\u662fO(N\u00b2),\u662f\u6307\u6570\u589e\u957f，\u800cwindow attention \u662f\u7ebf\u6027\u589e\u957f\u7684\u3002<\/p>\n<\/p>\n Window Attention:\u5c06\u8f93\u5165\u5212\u5206\u4e3a\u591a\u4e2a\u7a97\u53e3，\u53ea\u5728\u6bcf\u4e2a\u7a97\u53e3\u5185\u8ba1\u7b97\u6ce8\u610f\u529b（\u800c\u4e0d\u662f\u5168\u5c40\u8ba1\u7b97）\u3002\u8fd9\u6837，\u6ce8\u610f\u529b\u7684\u8ba1\u7b97\u590d\u6742\u5ea6\u4e0e\u5355\u4e2a\u7a97\u53e3\u7684\u5927\u5c0f（w）\u4ee5\u53ca\u7a97\u53e3\u6570\u91cf（m）\u76f8\u5173，\u603b\u590d\u6742\u5ea6\u4e3a O(m \u00d7 w\u00b2)，\u5176\u4e2d w \u662f\u6bcf\u4e2a\u7a97\u53e3\u4e2d\u7684\u5143\u7d20\u6570\u91cf\u3002<\/p>\n \u56e0\u6b64，Qwen2.5-VL \u4e0d\u4ec5\u5728\u9759\u6001\u56fe\u50cf\u548c\u6587\u6863\u7406\u89e3\u65b9\u9762\u8868\u73b0\u5353\u8d8a，\u8fd8\u80fd\u591f\u4f5c\u4e3a\u4e00\u4e2a\u4ea4\u4e92\u5f0f\u89c6\u89c9\u667a\u80fd\u4f53，\u5177\u5907\u63a8\u7406\u3001\u5de5\u5177\u4f7f\u7528\u548c\u4efb\u52a1\u6267\u884c\u7684\u80fd\u529b，\u9002\u7528\u4e8e\u64cd\u4f5c\u8ba1\u7b97\u673a\u548c\u79fb\u52a8\u8bbe\u5907\u7b49\u73b0\u5b9e\u573a\u666f\u3002\u5176\u6a21\u578b\u5728\u65e0\u9700\u4efb\u52a1\u7279\u5b9a\u5fae\u8c03\u7684\u60c5\u51b5\u4e0b，\u80fd\u591f\u5728\u591a\u4e2a\u9886\u57df\u4e2d\u5b9e\u73b0\u5f3a\u5927\u7684\u6cdb\u5316\u80fd\u529b\u3002<\/p>\n Qwen2.5-VL \u63d0\u4f9b\u4e09\u79cd\u4e0d\u540c\u89c4\u6a21\u7684\u6a21\u578b，\u6ee1\u8db3\u4ece\u8fb9\u7f18 AI \u5230\u9ad8\u6027\u80fd\u8ba1\u7b97\u7684\u591a\u6837\u5316\u5e94\u7528\u9700\u6c42\u3002\u65d7\u8230\u578b\u53f7 Qwen2.5-VL-72B \u5728\u6587\u6863\u548c\u56fe\u8868\u7406\u89e3\u65b9\u9762\u8868\u73b0\u5c24\u4e3a\u51fa\u8272，\u4e0e GPT-4o \u548c Claude 3.5 Sonnet \u7b49\u6700\u65b0\u9876\u5c16\u6a21\u578b\u76f8\u5ab2\u7f8e\u3002\u8f83\u5c0f\u89c4\u6a21\u7684 Qwen2.5-VL-7B \u548c\u00a0 Qwen2.5-VL-3B \u6a21\u578b\u5728\u8d44\u6e90\u53d7\u9650\u73af\u5883\u4e0b\u4e5f\u80fd\u8868\u73b0\u51fa\u8272，\u8d85\u8d8a\u4e86\u5bf9\u6807\u7684\u540c\u7c7b\u7ade\u4e89\u6a21\u578b\u3002<\/p>\n \u6b64\u5916，Qwen2.5-VL \u8fd8\u4fdd\u6301\u4e86\u5f3a\u5927\u7684\u8bed\u8a00\u80fd\u529b，\u7ee7\u627f\u4e86 Qwen2.5 LLM \u7684\u6838\u5fc3\u8bed\u8a00\u80fd\u529b\u3002<\/p>\n \u5927\u578b\u89c6\u89c9-\u8bed\u8a00\u6a21\u578b（LVLMs）\u4ee3\u8868\u4e86\u4eba\u5de5\u667a\u80fd\u9886\u57df\u7684\u91cd\u8981\u7a81\u7834，\u5b83\u6807\u5fd7\u7740\u591a\u6a21\u6001\u7406\u89e3\u4e0e\u4ea4\u4e92\u7684\u4e00\u79cd\u53d8\u9769\u6027\u65b9\u6cd5\u3002\u901a\u8fc7\u5c06\u89c6\u89c9\u611f\u77e5\u4e0e\u81ea\u7136\u8bed\u8a00\u5904\u7406\u65e0\u7f1d\u96c6\u6210，\u8fd9\u4e9b\u5148\u8fdb\u6a21\u578b\u6b63\u5728\u4ece\u6839\u672c\u4e0a\u91cd\u5851\u673a\u5668\u5982\u4f55\u5728\u591a\u4e2a\u9886\u57df\u89e3\u8bfb\u548c\u5206\u6790\u590d\u6742\u4fe1\u606f\u3002<\/p>\n \u5c3d\u7ba1\u591a\u6a21\u6001\u5927\u578b\u8bed\u8a00\u6a21\u578b\u5728\u8bb8\u591a\u65b9\u9762\u53d6\u5f97\u4e86\u663e\u8457\u8fdb\u5c55，\u4f46\u5176\u5f53\u524d\u80fd\u529b\u53ef\u4ee5\u6bd4\u4f5c\u4e09\u660e\u6cbb\u997c\u5e72\u7684\u4e2d\u95f4\u5c42\u2014\u2014\u5728\u591a\u4e2a\u4efb\u52a1\u4e2d\u8868\u73b0\u51fa\u8272，\u4f46\u5c1a\u672a\u8fbe\u5230\u5353\u8d8a\u7684\u6c34\u51c6\u3002\u7ec6\u7c92\u5ea6\u89c6\u89c9\u4efb\u52a1\u6784\u6210\u4e86\u8fd9\u4e00\u6bd4\u55bb\u7684\u57fa\u7840\u5c42\u3002\u5728 Qwen2.5-VL \u7684\u8fd9\u4e00\u7248\u672c\u4e2d，\u6211\u4eec\u81f4\u529b\u4e8e\u63a2\u7d22\u7ec6\u7c92\u5ea6\u611f\u77e5\u80fd\u529b，\u65e8\u5728\u4e3a LVLM \u6253\u4e0b\u575a\u5b9e\u7684\u57fa\u7840，\u5e76\u4e3a\u73b0\u5b9e\u5e94\u7528\u63d0\u4f9b\u529f\u80fd\u653e\u5927\u5668\u3002\u8be5\u6846\u67b6\u7684\u9876\u5c42\u662f\u591a\u6a21\u6001\u63a8\u7406\u80fd\u529b，\u901a\u8fc7\u5229\u7528\u6700\u65b0\u7684 Qwen2.5 LLM \u548c\u591a\u6a21\u6001\u95ee\u7b54\u6570\u636e\u6784\u5efa，\u4f7f\u5176\u8fdb\u4e00\u6b65\u589e\u5f3a\u3002<\/p>\n \u4f5c\u8005\u628a\u591a\u6a21\u6001\u5927\u6a21\u578b\u5f53\u524d\u80fd\u529b\u7684\u7ed3\u6784\u548c\u5c42\u6b21\u6bd4\u4f5c\u4e09\u660e\u6cbb：<\/p>\n \u5e95\u5c42（\u57fa\u7840\u5c42）：\u7ec6\u7c92\u5ea6\u89c6\u89c9\u4efb\u52a1<\/span>；\u8fd9\u662f\u6a21\u578b\u80fd\u529b\u7684\u57fa\u7840\u90e8\u5206，\u6307\u5bf9\u89c6\u89c9\u5185\u5bb9\u7684\u7cbe\u7ec6\u7406\u89e3，\u6bd4\u5982\u51c6\u786e\u5730\u8bc6\u522b\u56fe\u50cf\u4e2d\u7684\u7ec6\u8282\u3001\u5b9a\u4f4d\u7279\u5b9a\u7269\u4f53\u3001\u89e3\u6790\u590d\u6742\u7684\u6587\u6863\u5185\u5bb9\u7b49\u3002<\/p>\n<\/p>\n \u4e2d\u95f4\u5c42（\u73b0\u6709\u80fd\u529b\u5c42）：\u5f53\u524d\u6a21\u578b\u7684\u80fd\u529b，\u5373\u591a\u6a21\u6001\u5927\u8bed\u8a00\u6a21\u578b\u73b0\u9636\u6bb5\u7684\u8868\u73b0\u3002\u5f53\u524d LVLMs \u7684\u80fd\u529b\u53ef\u4ee5\u5b8c\u6210\u5f88\u591a\u4efb\u52a1，\u6bd4\u5982\u591a\u6a21\u6001\u95ee\u7b54\u3001\u56fe\u50cf\u63cf\u8ff0\u751f\u6210\u7b49，\u8868\u73b0\u51fa\u201c\u80dc\u4efb\u201d\u7684\u80fd\u529b，\u4f46\u8fd8\u4e0d\u591f\u5353\u8d8a，\u79bb\u201c\u9876\u5c16\u201d\u8fd8\u6709\u8ddd\u79bb\u3002<\/p>\n<\/p>\n \u9876\u5c42（\u9ad8\u7ea7\u80fd\u529b\u5c42）：\u591a\u6a21\u6001\u7684\u63a8\u7406\u80fd\u529breasoning\u3002\u8fd9\u662f\u6a21\u578b\u53d1\u5c55\u7684\u76ee\u6807，\u662f\u6a21\u578b\u80fd\u529b\u7684\u201c\u9876\u5c42\u8868\u73b0\u201d\u3002\u5b83\u8c61\u5f81\u4e86\u66f4\u590d\u6742\u3001\u66f4\u9ad8\u7ea7\u7684\u80fd\u529b，\u6bd4\u5982\u5728\u591a\u79cd\u6a21\u6001（\u6587\u5b57\u3001\u56fe\u50cf\u3001\u89c6\u9891\u7b49）\u4e4b\u95f4\u6d41\u7545\u63a8\u7406\u3001\u6df1\u5ea6\u4ea4\u4e92\u3001\u4ee5\u53ca\u7efc\u5408\u7406\u89e3\u80fd\u529b\u3002<\/p>\n \u4e00\u7cfb\u5217\u7814\u7a76\u63a8\u52a8\u4e86\u591a\u6a21\u6001\u5927\u6a21\u578b\u7684\u53d1\u5c55，\u8fd9\u4e9b\u7814\u7a76\u7684\u7279\u70b9\u5305\u62ec\u67b6\u6784\u8bbe\u8ba1\u3001\u89c6\u89c9\u8f93\u5165\u5904\u7406\u4ee5\u53ca\u6570\u636e\u6784\u5efa\u3002<\/p>\n \u5728 LVLMs \u7684\u8fdb\u6b65\u4e2d，\u67b6\u6784\u7684\u6301\u7eed\u521b\u65b0\u662f\u4e3b\u8981\u9a71\u52a8\u529b\u4e4b\u4e00\u3002（Flamigo,Blip,Blip2,Emu3,Internimage,Internlm-omnilive）\u7b49\u7814\u7a76\u9010\u6b65\u5851\u9020\u4e86\u5f53\u524d\u7684\u8303\u5f0f，\u5176\u5178\u578b\u7ed3\u6784<\/span>\u5305\u62ec\u89c6\u89c9\u7f16\u7801\u5668\u3001\u8de8\u6a21\u6001\u6295\u5f71\u5668\u548c LLM\u3002\u7ec6\u7c92\u5ea6\u611f\u77e5\u6a21\u578b\u5df2\u6210\u4e3a\u53e6\u4e00\u4e2a\u5173\u952e\u9886\u57df\u3002（Florence2,Grounding Dino,Ferretv2,Kosmos-2,Molmo and Poxmo）\u7b49\u6a21\u578b\u5728\u7ec6\u81f4\u7684\u89c6\u89c9\u7406\u89e3\u65b9\u9762\u62d3\u5c55\u4e86\u53ef\u80fd\u6027\u7684\u8fb9\u754c\u3002Omni\u548c MoE\u7b49\u67b6\u6784\u4e5f\u4e3a LVLMs \u7684\u672a\u6765\u6f14\u8fdb\u63d0\u4f9b\u4e86\u7075\u611f\u3002<\/p>\n \u5e38\u7528\u591a\u6a21\u6001\u5927\u6a21\u578b\u67b6\u6784\u5982\u4e0b：<\/p>\n \u76ee\u7684\u5c31\u662f\u5c06\u5176\u4ed6\u6a21\u6001\u548cText\u5bf9\u9f50\u8f93\u5165LLM\u4e2d\u3002<\/p>\n \u5e38\u89c1\u5bf9\u9f50\u624b\u6bb5\u5206\u4e3a\u4e09\u79cd： \u7b2c\u4e00\u79cdMLP\u5c31\u662fLlava\u4f7f\u7528\u7684\u624b\u6bb5，\u76f4\u63a5\u5c06\u89c6\u89c9\u7279\u5f81\u7ecf\u8fc7\u4e00\u4e2a\u6295\u5f71\u5c42\u8f6c\u6362\u4e3a\u4e0e\u8bed\u8a00\u6a21\u578b\u5d4c\u5165\u7a7a\u95f4\u4e00\u81f4\u7684\u7ef4\u5ea6，\u4ece\u800c\u5b9e\u73b0\u89c6\u89c9\u548c\u6587\u672c\u7684\u5bf9\u9f50；<\/p>\n \u7b2c\u4e8c\u79cdQ-Former\u662fBlip2\u4f7f\u7528\u7684\u65b9\u6cd5，\u5c06\u56fe\u50cf\u7279\u5f81\u5f53\u4f5cK,V，\u521d\u59cb\u5316\u4e00\u4e9b\u53ef\u5b66\u4e60queries\u4f5c\u4e3aQ，\u5f97\u5230\u542b\u6709\u56fe\u50cf\u7279\u5f81\u7684Queries，\u518d\u4e00\u8d77\u548c\u6587\u672c\u5411\u91cf\u4e00\u8d77\u8f93\u5165LLM；<\/p>\n \u7b2c\u4e09\u79cd\u662fCogVLM\u7684\u65b9\u5f0f，\u540c\u65f6\u5c06\u56fe\u50cf\u7279\u5f81\u548c\u6587\u672c\u7279\u5f81\u5f53\u4f5cQKV\u8fdb\u884c\u591a\u5c42\u7684\u4ea4\u4e92？？？？？<\/p>\n<\/p>\n \u524d\u4e24\u79cd\u624b\u6bb5\u90fd\u662ftoken\u7ea7\u522b\u7684\u878d\u5408，\u4e5f\u5c31\u662f\u5728\u56fe\u50cf\u7f16\u7801\u5668\u548cLLM\u4e2d\u95f4\u52a0\u7684\u90e8\u5206；\u7b2c\u4e09\u79cd\u662f\u7279\u5f81\u7ea7\u7684\u878d\u5408，\u76f4\u63a5\u5728LLM\u4e2d\u52a0\u5165\u4e86cross-Sttn \u548c FFN\u5c42\u3002<\/p>\n \u89c6\u89c9\u7f16\u7801\u5668\u7684\u6539\u8fdb<\/span>（Internvl,Points）\u4ee5\u53ca\u5206\u8fa8\u7387\u6269\u5c55<\/span>（Monkey,mplug-owl2,Otterhd）\u5728\u63d0\u9ad8\u5b9e\u9645\u89c6\u89c9\u7406\u89e3\u8d28\u91cf\u65b9\u9762\u8d77\u5230\u4e86\u5173\u952e\u4f5c\u7528\u3002<\/p>\n \u901a\u8fc7\u66f4\u4e30\u5bcc\u7684\u573a\u666f\u548c\u9ad8\u8d28\u91cf\u7684\u6570\u636e\u6784\u5efa<\/span>，\u662f\u8bad\u7ec3\u5148\u8fdb LVLMs \u7684\u91cd\u8981\u6b65\u9aa4\u3002（Mammoth-vl,Mminstruct,Allava,Cambrian-1,Llava-onevision）\u7684\u76f8\u5173\u5de5\u4f5c\u4e3a\u6b64\u505a\u51fa\u4e86\u91cd\u8981\u8d21\u732e\u3002<\/p>\n \u7136\u800c，\u5c3d\u7ba1\u53d6\u5f97\u4e86\u5de8\u5927\u7684\u8fdb\u5c55，\u89c6\u89c9-\u8bed\u8a00\u6a21\u578b\u76ee\u524d\u4ecd\u9762\u4e34\u53d1\u5c55\u74f6\u9888，\u5305\u62ec\u8ba1\u7b97\u590d\u6742\u5ea6\u9ad8<\/span>\u3001\u4e0a\u4e0b\u6587\u7406\u89e3\u80fd\u529b\u6709\u9650<\/span>\u3001\u7ec6\u7c92\u5ea6\u89c6\u89c9\u611f\u77e5\u80fd\u529b\u4e0d\u8db3<\/span>，\u4ee5\u53ca\u5728\u4e0d\u540c\u5e8f\u5217\u957f\u5ea6\u4e0b\u7684\u4e0d\u4e00\u81f4\u8868\u73b0<\/span>\u3002\u5728\u672c\u62a5\u544a\u4e2d，\u6211\u4eec\u4ecb\u7ecd\u4e86\u6700\u65b0\u7684 Qwen2.5-VL，\u5b83\u5ef6\u7eed\u4e86 Qwen \u7cfb\u5217\u7684\u5f00\u6e90\u7406\u5ff5，\u5728\u591a\u4e2a\u57fa\u51c6\u6d4b\u8bd5\u4e2d\u8fbe\u5230\u751a\u81f3\u8d85\u8d8a\u4e86\u9876\u7ea7\u95ed\u6e90\u6a21\u578b\u7684\u8868\u73b0\u3002<\/p>\n \u6211\u4eec\u7684\u6280\u672f\u8d21\u732e\u4e3b\u8981\u5305\u62ec\u4ee5\u4e0b\u56db\u4e2a\u65b9\u9762：<\/p>\n \u5728\u672c\u8282\u4e2d，\u6211\u4eec\u9996\u5148\u6982\u8ff0\u4e86 Qwen2.5-VL \u7cfb\u5217\u6a21\u578b\u7684\u7ed3\u6784\u66f4\u65b0，\u5e76\u5bf9\u6570\u636e\u548c\u8bad\u7ec3\u7ec6\u8282\u8fdb\u884c\u6982\u8ff0\u3002<\/p>\n Qwen2.5-VL \u7684\u6574\u4f53\u6a21\u578b\u67b6\u6784\u7531\u4ee5\u4e0b\u4e09\u4e2a\u90e8\u5206\u7ec4\u6210：<\/p>\n 1. \u5927\u8bed\u8a00\u6a21\u578b（Large Language Model, LLM）<\/span><\/p>\n Qwen2.5-VL \u7cfb\u5217\u91c7\u7528\u5927\u578b\u8bed\u8a00\u6a21\u578b\u4f5c\u4e3a\u5176\u57fa\u7840\u7ec4\u4ef6\u3002\u6a21\u578b\u521d\u59cb\u5316\u65f6\u4f7f\u7528\u4e86\u4ece Qwen2.5 LLM \u9884\u8bad\u7ec3\u5f97\u5230\u7684\u6743\u91cd\u3002\u4e3a\u4e86\u66f4\u597d\u5730\u6ee1\u8db3\u591a\u6a21\u6001\u7406\u89e3\u7684\u9700\u6c42，\u6211\u4eec\u5c06 1D RoPE（\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801，Rotary Position Embedding） \u4fee\u6539\u4e3a \u591a\u6a21\u6001\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801（Multimodal Rotary Position Embedding），\u4e0e\u7edd\u5bf9\u65f6\u95f4\u5bf9\u9f50\u3002<\/p>\n 2. \u89c6\u89c9\u7f16\u7801\u5668（Vision Encoder）<\/span><\/p>\n Qwen2.5-VL \u7684\u89c6\u89c9\u7f16\u7801\u5668\u91c7\u7528\u4e86\u91cd\u65b0\u8bbe\u8ba1\u7684 Vision Transformer（ViT） \u67b6\u6784\u3002\u5177\u4f53\u6765\u8bf4，\u6211\u4eec\u5728\u7ed3\u6784\u4e0a\u5f15\u5165\u4e86 2D-RoPE（\u4e8c\u7ef4\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801）<\/span> \u548c\u7a97\u53e3\u6ce8\u610f\u529b\u673a\u5236（Window Attention）<\/span>，\u4ee5\u652f\u6301\u539f\u751f\u8f93\u5165\u5206\u8fa8\u7387，\u540c\u65f6\u52a0\u901f\u6574\u4e2a\u89c6\u89c9\u7f16\u7801\u5668\u7684\u8ba1\u7b97\u3002\u5728\u8bad\u7ec3\u548c\u63a8\u7406\u671f\u95f4，\u8f93\u5165\u56fe\u50cf\u7684\u9ad8\u5ea6\u548c\u5bbd\u5ea6\u90fd\u4f1a\u8c03\u6574\u4e3a 28<\/span> <\/span>\u7684\u6574\u6570\u500d，\u7136\u540e\u518d\u8f93\u5165 ViT\u3002<\/p>\n \u89c6\u89c9\u7f16\u7801\u5668\u901a\u8fc7\u4ee5\u6b65\u5e45\u4e3a 14 <\/span>\u7684\u65b9\u5f0f\u5c06\u56fe\u50cf\u5207\u5206\u6210\u56fe\u50cf\u5757（patch），\u5e76\u751f\u6210\u4e00\u7ec4\u56fe\u50cf\u7279\u5f81\u3002\u6709\u5173\u89c6\u89c9\u7f16\u7801\u5668\u7684\u66f4\u8be6\u7ec6\u4ecb\u7ecd，\u8bf7\u53c2\u89c1 2.1.1 \u8282\u3002<\/p>\n 3. \u57fa\u4e8e MLP \u7684\u89c6\u89c9-\u8bed\u8a00\u878d\u5408\u6a21\u5757（MLP-based Vision-Language Merger）<\/span><\/p>\n \u4e3a\u4e86\u89e3\u51b3\u7531\u4e8e\u56fe\u50cf\u7279\u5f81\u5e8f\u5217\u8fc7\u957f\u800c\u5bfc\u81f4\u7684\u8ba1\u7b97\u6548\u7387\u95ee\u9898，\u6211\u4eec\u91c7\u7528\u4e86\u4e00\u79cd\u7b80\u5355\u800c\u6709\u6548\u7684\u65b9\u6cd5，\u5728\u5c06\u8fd9\u4e9b\u7279\u5f81\u8f93\u5165\u5927\u578b\u8bed\u8a00\u6a21\u578b（LLM）\u4e4b\u524d\u5bf9\u7279\u5f81\u5e8f\u5217\u8fdb\u884c\u538b\u7f29\u3002<\/p>\n \u5177\u4f53\u6765\u8bf4，\u4e0d\u76f4\u63a5\u4f7f\u7528 Vision Transformer (ViT) \u63d0\u53d6\u7684\u539f\u59cb\u56fe\u50cf\u5757\u7279\u5f81，\u800c\u662f\u9996\u5148\u5c06\u7a7a\u95f4\u4e0a\u76f8\u90bb\u7684\u56db\u4e2a\u56fe\u50cf\u5757\u7279\u5f81\u8fdb\u884c\u5206\u7ec4\u3002\u5c06\u8fd9\u4e9b\u5206\u7ec4\u540e\u7684\u7279\u5f81\u62fc\u63a5\u8d77\u6765，\u5e76\u901a\u8fc7\u4e00\u4e2a\u4e24\u5c42\u7684\u591a\u5c42\u611f\u77e5\u673a（MLP），\u5c06\u5b83\u4eec\u6295\u5f71\u5230\u4e0e LLM \u4f7f\u7528\u7684\u6587\u672c\u5d4c\u5165\u5bf9\u9f50\u7684\u7ef4\u5ea6\u3002\u8fd9\u79cd\u65b9\u6cd5\u4e0d\u4ec5\u964d\u4f4e\u4e86\u8ba1\u7b97\u6210\u672c，\u8fd8\u4e3a\u52a8\u6001\u538b\u7f29\u4e0d\u540c\u957f\u5ea6\u7684\u56fe\u50cf\u7279\u5f81\u5e8f\u5217\u63d0\u4f9b\u4e86\u7075\u6d3b\u7684\u65b9\u6cd5\u3002<\/p>\n \u89c6\u89c9\u7f16\u7801\u5668\u5728\u591a\u6a21\u6001\u5927\u8bed\u8a00\u6a21\u578b（Multimodal Large Language Models, MLLMs）\u4e2d\u626e\u6f14\u4e86\u5173\u952e\u89d2\u8272\u3002\u7136\u800c，\u7531\u4e8e\u539f\u751f\u5206\u8fa8\u7387\u8f93\u5165\u7684\u8ba1\u7b97\u8d1f\u62c5\u5728\u8bad\u7ec3\u548c\u63a8\u7406\u671f\u95f4\u53ef\u80fd\u4f1a\u51fa\u73b0\u4e0d\u5e73\u8861，\u56e0\u6b64\u6211\u4eec\u91cd\u65b0\u8bbe\u8ba1\u4e86 ViT \u67b6\u6784\u3002<\/p>\n (1) \u8ba1\u7b97\u590d\u6742\u5ea6\u95ee\u9898\u4e0e\u6539\u8fdb\u65b9\u6cd5<\/p>\n \u4e00\u4e2a\u4e3b\u8981\u95ee\u9898\u6765\u81ea\u4e8e\u5904\u7406\u4e0d\u540c\u5c3a\u5bf8\u56fe\u50cf\u65f6\u7684\u4e8c\u6b21\u8ba1\u7b97\u590d\u6742\u5ea6\u3002\u4e3a\u4e86\u89e3\u51b3\u8fd9\u4e2a\u95ee\u9898，\u6211\u4eec\u5728\u5927\u591a\u6570\u5c42\u4e2d\u5f15\u5165\u4e86 \u7a97\u53e3\u6ce8\u610f\u529b\u673a\u5236（Window Attention），\u4ece\u800c\u786e\u4fdd\u8ba1\u7b97\u6210\u672c\u968f\u7740\u56fe\u50cf\u5757\u6570\u91cf\u7ebf\u6027\u589e\u957f，\u800c\u4e0d\u662f\u4e8c\u6b21\u589e\u957f\u3002\u5177\u4f53\u6765\u8bf4：<\/p>\n (2) 2D \u4f4d\u7f6e\u7f16\u7801\u4e0e 3D \u6269\u5c55<\/p>\n \u4e3a\u4e86\u6355\u6349\u4e8c\u7ef4\u7a7a\u95f4\u4e2d\u7684\u4f4d\u7f6e\u5173\u7cfb，\u6211\u4eec\u91c7\u7528\u4e86 \u4e8c\u7ef4\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801（2D Rotary Position Embedding, 2D-RoPE）\u3002\u6b64\u5916，\u4e3a\u4e86\u66f4\u597d\u5730\u5904\u7406\u89c6\u9891\u8f93\u5165，\u6211\u4eec\u5c06\u5176\u6269\u5c55\u4e3a 3D \u56fe\u50cf\u5757\u5206\u7ec4：<\/p>\n \u6b64\u8bbe\u8ba1\u4e0d\u4ec5\u4fdd\u8bc1\u4e86\u4e0e\u73b0\u6709\u67b6\u6784\u7684\u517c\u5bb9\u6027，\u540c\u65f6\u5728\u5904\u7406\u89c6\u9891\u6570\u636e\u65f6\u63d0\u5347\u4e86\u6548\u7387\u3002<\/p>\n (3) \u6a21\u578b\u7ed3\u6784\u4f18\u5316<\/p>\n \u4e3a\u4e86\u7b80\u5316\u6574\u4f53\u7f51\u7edc\u7ed3\u6784，\u6211\u4eec\u4f7f ViT \u7684\u67b6\u6784\u66f4\u63a5\u8fd1\u4e8e\u5927\u578b\u8bed\u8a00\u6a21\u578b（LLM）\u7684\u8bbe\u8ba1\u539f\u5219\u3002\u5177\u4f53\u5305\u62ec：<\/p>\n \u8fd9\u4e9b\u9009\u62e9\u589e\u5f3a\u4e86\u89c6\u89c9\u4e0e\u8bed\u8a00\u7ec4\u4ef6\u4e4b\u95f4\u7684\u8ba1\u7b97\u6548\u7387\u4e0e\u517c\u5bb9\u6027\u3002<\/p>\n (4) \u8bad\u7ec3\u8fc7\u7a0b<\/p>\n \u6211\u4eec\u4ece\u96f6\u5f00\u59cb\u8bad\u7ec3\u91cd\u65b0\u8bbe\u8ba1\u7684 ViT，\u8bad\u7ec3\u8fc7\u7a0b\u5206\u4e3a\u4ee5\u4e0b\u51e0\u4e2a\u9636\u6bb5：<\/p>\n (5) \u52a8\u6001\u5206\u8fa8\u7387\u91c7\u6837<\/p>\n \u4e3a\u4e86\u89e3\u51b3\u4e0d\u540c\u8f93\u5165\u5206\u8fa8\u7387\u5e26\u6765\u7684\u9002\u914d\u95ee\u9898，\u6211\u4eec\u5728\u8bad\u7ec3\u8fc7\u7a0b\u4e2d\u91c7\u7528\u4e86\u57fa\u4e8e\u539f\u751f\u5206\u8fa8\u7387\u7684\u52a8\u6001\u91c7\u6837\u65b9\u6cd5：<\/p>\n Qwen2.5-VL \u5728\u7a7a\u95f4\u548c\u65f6\u95f4\u7ef4\u5ea6\u4e0a\u90fd\u8fdb\u884c\u4e86\u6539\u8fdb，\u4ee5\u66f4\u6709\u6548\u5730\u5904\u7406\u591a\u6837\u5316\u7684\u591a\u6a21\u6001\u8f93\u5165\u3002<\/p>\n (1) \u7a7a\u95f4\u7ef4\u5ea6<\/p>\n \u5728\u7a7a\u95f4\u57df\u4e2d，Qwen2.5-VL \u80fd\u591f\u52a8\u6001\u5730\u5c06\u4e0d\u540c\u5c3a\u5bf8\u7684\u56fe\u50cf\u8f6c\u6362\u4e3a\u5bf9\u5e94\u957f\u5ea6\u7684 token \u5e8f\u5217：<\/p>\n (2) \u65f6\u95f4\u7ef4\u5ea6<\/p>\n \u5bf9\u4e8e\u89c6\u9891\u8f93\u5165，Qwen2.5-VL \u5f15\u5165\u4e86 \u52a8\u6001\u5e27\u7387（FPS）\u8bad\u7ec3\u548c\u7edd\u5bf9\u65f6\u95f4\u7f16\u7801，\u4ee5\u4fbf\u66f4\u597d\u5730\u6355\u6349\u89c6\u9891\u5185\u5bb9\u7684\u65f6\u95f4\u52a8\u6001\u3002\u4e0d\u540c\u4e8e\u5176\u4ed6\u65b9\u6cd5\u4f9d\u8d56\u6587\u672c\u65f6\u95f4\u6233\u6216\u4f7f\u7528\u989d\u5916\u7684\u6ce8\u610f\u529b\u5934（additional heads）\u6765\u5b9e\u73b0\u65f6\u95f4\u5b9a\u4f4d（temporal grounding），\u6211\u4eec\u63d0\u51fa\u4e86\u4e00\u79cd\u5168\u65b0\u7684\u9ad8\u6548\u7b56\u7565：<\/p>\n \u4f4d\u7f6e\u5d4c\u5165\u5728\u5efa\u6a21\u89c6\u89c9\u548c\u8bed\u8a00\u6a21\u6001\u4e2d\u7684\u5e8f\u5217\u6570\u636e\u65f6\u81f3\u5173\u91cd\u8981\u3002\u57fa\u4e8e Qwen2-VL \u4e2d\u63d0\u51fa\u7684\u591a\u6a21\u6001\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801（MRoPE），\u6211\u4eec\u6269\u5c55\u4e86\u5176\u529f\u80fd，\u4ee5\u66f4\u597d\u5730\u5904\u7406\u89c6\u9891\u4e2d\u7684\u65f6\u95f4\u4fe1\u606f\u3002<\/p>\n (1) MRoPE \u7684\u7ed3\u6784\u5206\u89e3<\/p>\n \u5728 Qwen2-VL \u4e2d，MRoPE \u5c06\u4f4d\u7f6e\u5d4c\u5165\u5206\u89e3\u4e3a\u4ee5\u4e0b\u4e09\u4e2a\u72ec\u7acb\u7684\u90e8\u5206：<\/p>\n \u65f6\u95f4\u7ef4\u5ea6（temporal），<\/p>\n<\/li>\n \u9ad8\u5ea6\u7ef4\u5ea6（height），<\/p>\n<\/li>\n \u5bbd\u5ea6\u7ef4\u5ea6（width）\u3002<\/p>\n<\/li>\n \u8fd9\u79cd\u5206\u89e3\u65b9\u5f0f\u80fd\u591f\u6709\u6548\u5730\u5efa\u6a21\u591a\u6a21\u6001\u8f93\u5165：<\/p>\n (2) Qwen2.5-VL \u4e2d MRoPE \u7684\u6539\u8fdb<\/p>\n \u5728 Qwen2-VL \u4e2d，MRoPE \u7684\u65f6\u95f4\u4f4d\u7f6e ID \u4e0e\u8f93\u5165\u5e27\u7684\u6570\u91cf\u7ed1\u5b9a，\u56e0\u6b64\u65e0\u6cd5\u8003\u8651\u89c6\u9891\u5185\u5bb9\u53d8\u5316\u7684\u901f\u5ea6\u6216\u4e8b\u4ef6\u53d1\u751f\u7684\u7edd\u5bf9\u65f6\u95f4\u3002\u8fd9\u79cd\u5c40\u9650\u6027\u901a\u8fc7\u4ee5\u4e0b\u65b9\u5f0f\u5728 Qwen2.5-VL \u4e2d\u5f97\u5230\u4e86\u6539\u8fdb：<\/p>\n \u672c\u8282\u9996\u5148\u4ecb\u7ecd\u9884\u8bad\u7ec3\u6570\u636e\u96c6\u7684\u6784\u5efa\u8fc7\u7a0b，\u968f\u540e\u6982\u8ff0\u6574\u4f53\u8bad\u7ec3\u6d41\u7a0b\u548c\u914d\u7f6e\u3002<\/p>\n \u4e0e Qwen2-VL \u76f8\u6bd4，\u6211\u4eec\u663e\u8457\u6269\u5145\u4e86\u9884\u8bad\u7ec3\u6570\u636e\u7684\u89c4\u6a21，\u4ece 1.2 \u4e07\u4ebf token\u00a0\u589e\u52a0\u5230\u7ea6 4 \u4e07\u4ebf token\u3002\u6211\u4eec\u7684\u9884\u8bad\u7ec3\u6570\u636e\u96c6\u901a\u8fc7\u591a\u79cd\u65b9\u6cd5\u6784\u5efa，\u5305\u62ec\u6e05\u6d17\u539f\u59cb\u7f51\u7edc\u6570\u636e\u3001\u5408\u6210\u6570\u636e\u7b49\u3002\u6570\u636e\u96c6\u6db5\u76d6\u4e86\u591a\u79cd\u591a\u6a21\u6001\u6570\u636e\u7c7b\u578b，\u4f8b\u5982：<\/p>\n – \u56fe\u50cf\u63cf\u8ff0（Image captions）； – \u56fe\u6587\u4ea4\u53c9\u6570\u636e（Interleaved image-text data）； – \u5149\u5b66\u5b57\u7b26\u8bc6\u522b（OCR）\u6570\u636e； – \u89c6\u89c9\u77e5\u8bc6（\u5982\u540d\u4eba\u3001\u5730\u6807\u3001\u52a8\u690d\u7269\u8bc6\u522b）； – \u591a\u6a21\u6001\u5b66\u672f\u95ee\u9898； – \u5b9a\u4f4d\u6570\u636e； – \u6587\u6863\u89e3\u6790\u6570\u636e； – \u89c6\u9891\u63cf\u8ff0； – \u89c6\u9891\u5b9a\u4f4d； – \u57fa\u4e8e\u4ee3\u7406（agent-based）\u7684\u4ea4\u4e92\u6570\u636e\u3002<\/p>\n \u5728\u6574\u4e2a\u8bad\u7ec3\u8fc7\u7a0b\u4e2d，\u6211\u4eec\u4ed4\u7ec6\u8c03\u6574\u4e86\u6570\u636e\u7c7b\u578b\u5728\u5404\u9636\u6bb5\u7684\u6784\u6210\u548c\u6bd4\u4f8b，\u4ee5\u4f18\u5316\u5b66\u4e60\u6548\u679c\u3002<\/p>\n \u56fe\u6587\u4ea4\u53c9\u6570\u636e\u5bf9\u4e8e\u591a\u6a21\u6001\u5b66\u4e60\u81f3\u5173\u91cd\u8981，\u5177\u6709\u4ee5\u4e0b\u4e09\u65b9\u9762\u7684\u5173\u952e\u4f18\u52bf： 1. \u5728\u60c5\u5883\u4e2d\u5b66\u4e60（in-context learning），\u901a\u8fc7\u540c\u65f6\u63d0\u4f9b\u89c6\u89c9\u548c\u6587\u672c\u7ebf\u7d22\u6765\u589e\u5f3a\u5b66\u4e60\u80fd\u529b； 2. \u5728\u6ca1\u6709\u56fe\u50cf\u65f6\u4fdd\u6301\u5f3a\u5927\u7684\u7eaf\u6587\u672c\u80fd\u529b； 3. \u5305\u542b\u5e7f\u6cdb\u7684\u4e00\u822c\u4fe1\u606f\u3002<\/p>\n \u7136\u800c，\u76ee\u524d\u8bb8\u591a\u53ef\u7528\u7684\u56fe\u6587\u4ea4\u53c9\u6570\u636e\u7f3a\u4e4f\u6709\u610f\u4e49\u7684\u56fe\u6587\u5173\u8054，\u540c\u65f6\u566a\u58f0\u8f83\u5927，\u8fd9\u9650\u5236\u4e86\u5176\u5728\u590d\u6742\u63a8\u7406\u548c\u751f\u6210\u5f0f\u4efb\u52a1\u4e2d\u7684\u5b9e\u7528\u6027\u3002<\/p>\n \u4e3a\u4e86\u89e3\u51b3\u8fd9\u4e9b\u95ee\u9898，\u6211\u4eec\u5f00\u53d1\u4e86\u4e00\u5957\u6570\u636e\u5f97\u5206\u548c\u6e05\u6d17\u6d41\u7a0b，\u4ee5\u786e\u4fdd\u4ec5\u4f7f\u7528\u9ad8\u8d28\u91cf\u3001\u76f8\u5173\u7684\u56fe\u6587\u4ea4\u53c9\u6570\u636e\u3002\u8be5\u6d41\u7a0b\u5305\u62ec\u4e24\u4e2a\u6b65\u9aa4：<\/p>\n \u8bc4\u5206\u6807\u51c6\u5305\u62ec：（1）\u7eaf\u6587\u672c\u8d28\u91cf；（2）\u56fe\u6587\u5173\u8054\u6027；（3）\u56fe\u6587\u4e92\u8865\u6027；（4）\u4fe1\u606f\u5bc6\u5ea6\u5e73\u8861\u3002<\/p>\n \u8fd9\u79cd\u7cbe\u7ec6\u5316\u7684\u6570\u636e\u5904\u7406\u65b9\u6cd5\u663e\u8457\u63d0\u5347\u4e86\u6a21\u578b\u5728\u590d\u6742\u63a8\u7406\u548c\u751f\u6210\u591a\u6a21\u6001\u5185\u5bb9\u65b9\u9762\u7684\u80fd\u529b\u3002<\/p>\n \u4ee5\u4e0b\u662f\u56fe\u6587\u8bc4\u5206\u6807\u51c6\u7684\u5177\u4f53\u8bf4\u660e： – <\/span>\u56fe\u6587\u5173\u8054\u6027<\/span>：\u5f97\u5206\u8d8a\u9ad8，\u56fe\u50cf\u4e0e\u6587\u672c\u7684\u5173\u8054\u6027\u8d8a\u5f3a，\u56fe\u50cf\u80fd\u591f\u6709\u6548\u8865\u5145\u3001\u89e3\u91ca\u6216\u6269\u5c55\u6587\u672c，\u800c\u4e0d\u4ec5\u4ec5\u662f\u88c5\u9970\u6027\u5b58\u5728\u3002 – \u4fe1\u606f\u4e92\u8865\u6027<\/span>：\u5f97\u5206\u8d8a\u9ad8，\u56fe\u50cf\u4e0e\u6587\u672c\u4e4b\u95f4\u7684\u4fe1\u606f\u4e92\u8865\u6027\u8d8a\u5f3a\u3002\u56fe\u50cf\u548c\u6587\u672c\u5404\u81ea\u63d0\u4f9b\u72ec\u7279\u7684\u7ec6\u8282，\u5171\u540c\u6784\u5efa\u5b8c\u6574\u7684\u53d9\u8ff0\u3002 – \u4fe1\u606f\u5bc6\u5ea6\u5e73\u8861<\/span>：\u5f97\u5206\u8d8a\u9ad8，\u56fe\u50cf\u4e0e\u6587\u672c\u7684\u4fe1\u606f\u5206\u5e03\u8d8a\u5747\u8861，\u907f\u514d\u4fe1\u606f\u8fc7\u5ea6\u96c6\u4e2d\u5728\u6587\u672c\u6216\u56fe\u50cf\u4e0a，\u786e\u4fdd\u4e24\u8005\u4e4b\u95f4\u7684\u9002\u5f53\u5e73\u8861\u3002<\/p>\n \u6211\u4eec\u91c7\u7528\u539f\u751f\u5206\u8fa8\u7387\u8bad\u7ec3，\u4ee5\u5b9e\u73b0\u66f4\u51c6\u786e\u7684\u4e16\u754c\u611f\u77e5\u3002\u4e0e\u4f7f\u7528\u76f8\u5bf9\u5750\u6807\u7684\u65b9\u6cd5\u4e0d\u540c，\u7edd\u5bf9\u5750\u6807\u80fd\u591f\u66f4\u6709\u6548\u5730\u8868\u793a\u56fe\u50cf\u4e2d\u5bf9\u8c61\u7684\u539f\u59cb\u5c3a\u5bf8\u548c\u4f4d\u7f6e\u3002<\/p>\n \u5728\u8bad\u7ec3\u4e2d，Qwen2.5-VL \u4f7f\u7528\u57fa\u4e8e\u8f93\u5165\u56fe\u50cf\u5b9e\u9645\u5c3a\u5bf8\u7684\u5750\u6807\u503c\u6765\u8868\u793a\u8fb9\u754c\u6846（bounding boxes）\u548c\u70b9（points）\u3002\u8fd9\u79cd\u65b9\u6cd5\u4f7f\u6a21\u578b\u80fd\u591f\u66f4\u597d\u5730\u6355\u6349\u5bf9\u8c61\u5728\u771f\u5b9e\u4e16\u754c\u4e2d\u7684\u5c3a\u5ea6\u548c\u7a7a\u95f4\u5173\u7cfb，\u4ece\u800c\u5728\u76ee\u6807\u68c0\u6d4b\u548c\u5b9a\u4f4d\u4efb\u52a1\u4e2d\u8868\u73b0\u66f4\u4f18\u3002<\/p>\n \u4e3a\u63d0\u9ad8\u6a21\u578b\u7684\u5b9a\u4f4d\u80fd\u529b，\u6211\u4eec\u5f00\u53d1\u4e86\u4e00\u4e2a\u5305\u542b\u8fb9\u754c\u6846<\/span>\u548c\u6307\u5411\u8868\u8fbe<\/span>（referring expressions）\u7684\u7efc\u5408\u6570\u636e\u96c6，\u6570\u636e\u6765\u6e90\u5305\u62ec\u516c\u5f00\u6570\u636e\u96c6\u548c\u4e13\u6709\u6570\u636e\u3002\u6211\u4eec\u7684\u65b9\u6cd5\u5305\u542b\u5c06\u6570\u636e\u5408\u6210\u4e3a\u591a\u79cd\u683c\u5f0f（\u5982 XML\u3001JSON \u548c\u81ea\u5b9a\u4e49\u683c\u5f0f），\u5e76\u4f7f\u7528\u4ee5\u4e0b\u6280\u672f： – \u590d\u5236\u7c98\u8d34\u589e\u5f3a（copy-paste augmentation）； – \u4f7f\u7528\u73b0\u6210\u6a21\u578b（Grounding DINO\u548c SAM ）\u8fdb\u884c\u6570\u636e\u5408\u6210\u3002<\/p>\n \u8fd9\u79cd\u65b9\u6cd5\u63d0\u5347\u4e86\u6a21\u578b\u5728\u5b9a\u4f4d\u80fd\u529b\u65b9\u9762\u7684\u9c81\u68d2\u6027\u548c\u8bc4\u4f30\u80fd\u529b\u3002<\/p>\n \u4e3a\u4e86\u589e\u5f3a\u6a21\u578b\u5728\u5f00\u653e\u8bcd\u6c47\u68c0\u6d4b（open-vocabulary detection）\u4e2d\u7684\u6027\u80fd，\u6211\u4eec\u6269\u5c55\u4e86\u8bad\u7ec3\u6570\u636e\u96c6，\u6db5\u76d6\u4e86 1 \u4e07\u591a\u4e2a\u5bf9\u8c61\u7c7b\u522b\u3002\u6b64\u5916，\u4e3a\u4e86\u63d0\u5347\u6a21\u578b\u5728\u6781\u7aef\u76ee\u6807\u68c0\u6d4b\u573a\u666f\u4e2d\u7684\u6548\u679c，\u6211\u4eec\u5728\u67e5\u8be2\u4e2d\u5408\u6210\u4e86\u4e0d\u5b58\u5728\u7684\u5bf9\u8c61\u7c7b\u522b，\u5e76\u6784\u5efa\u4e86\u5305\u542b\u6bcf\u4e2a\u5bf9\u8c61\u7684\u591a\u4e2a\u5b9e\u4f8b\u7684\u56fe\u50cf\u6570\u636e\u3002<\/p>\n \u4e3a\u4e86\u786e\u4fdd\u66f4\u4f18\u7684\u57fa\u4e8e\u70b9\u7684\u76ee\u6807\u5b9a\u4f4d\u80fd\u529b，\u6211\u4eec\u6784\u5efa\u4e86\u4e00\u4e2a\u5305\u542b\u516c\u5171\u6570\u636e\u548c\u5408\u6210\u6570\u636e\u7684\u7efc\u5408\u6307\u5411\u6570\u636e\u96c6\u3002\u6570\u636e\u6765\u6e90\u5305\u62ec： – PixMo\u00a0\u63d0\u4f9b\u7684\u516c\u5f00\u6307\u5411\u548c\u8ba1\u6570\u6570\u636e； – \u516c\u5f00\u7684\u76ee\u6807\u5b9a\u4f4d\u6570\u636e（\u5305\u62ec\u76ee\u6807\u68c0\u6d4b\u548c\u5b9e\u4f8b\u5206\u5272\u4efb\u52a1）； – \u901a\u8fc7\u81ea\u52a8\u5316\u7ba1\u9053\u5408\u6210\u7684\u7528\u4e8e\u751f\u6210\u7cbe\u786e\u6307\u5411\u6570\u636e\u7684\u6570\u636e\u96c6，\u6307\u5411\u56fe\u50cf\u4e2d\u7684\u67d0\u4e9b\u7ec6\u8282\u3002<\/p>\n \u4e3a\u8bad\u7ec3 Qwen2.5-VL，\u6211\u4eec\u5408\u6210\u4e86\u5927\u91cf\u7684\u6587\u6863\u6570\u636e\u3002\u4f20\u7edf\u6587\u6863\u5185\u5bb9\u89e3\u6790\u65b9\u6cd5\u901a\u5e38\u4f9d\u8d56\u4e8e\u5355\u72ec\u7684\u6a21\u578b\u6765\u5206\u522b\u5904\u7406\u5e03\u5c40\u5206\u6790\u3001\u6587\u672c\u63d0\u53d6\u3001\u56fe\u8868\u89e3\u6790\u548c\u63d2\u56fe\u5904\u7406\u3002\u800c Qwen2.5-VL \u88ab\u8bbe\u8ba1\u4e3a\u4e00\u4e2a\u901a\u7528\u6a21\u578b，\u80fd\u591f\u5168\u9762\u5904\u7406\u6587\u6863\u7684\u89e3\u6790\u3001\u7406\u89e3\u548c\u683c\u5f0f\u8f6c\u6362\u3002<\/p>\n \u5177\u4f53\u6765\u8bf4，\u6211\u4eec\u5728\u6587\u6863\u4e2d\u878d\u5408\u4e86\u4e30\u5bcc\u7684\u5143\u7d20，\u5305\u62ec\u8868\u683c\u3001\u56fe\u8868\u3001\u516c\u5f0f\u3001\u81ea\u7136\u6216\u5408\u6210\u56fe\u50cf\u3001\u4e50\u8c31\u548c\u5316\u5b66\u516c\u5f0f\u3002\u8fd9\u4e9b\u5143\u7d20\u4ee5 HTML\u00a0\u683c\u5f0f\u7edf\u4e00\u5b58\u50a8，HTML \u7ed3\u6784\u4e2d\u96c6\u6210\u4e86\u5e03\u5c40\u6846（layout box）\u4fe1\u606f\u548c\u63d2\u56fe\u63cf\u8ff0\u3002\u6b64\u5916，\u6211\u4eec\u6839\u636e\u5178\u578b\u7684\u9605\u8bfb\u987a\u5e8f\u4e30\u5bcc\u4e86\u6587\u6863\u5e03\u5c40，\u5e76\u5728 HTML \u683c\u5f0f\u7684\u6807\u6ce8\u4e2d\u6dfb\u52a0\u4e86\u6bcf\u4e2a\u6a21\u5757（\u5982\u6bb5\u843d\u548c\u56fe\u8868）\u7684\u5750\u6807\u4fe1\u606f\u3002<\/p>\n \u8fd9\u79cd\u521b\u65b0\u65b9\u6cd5\u80fd\u591f\u4ee5\u6807\u51c6\u5316\u3001\u7edf\u4e00\u7684\u65b9\u5f0f\u8868\u793a\u4efb\u4f55\u6587\u6863\u7684\u5b8c\u6574\u4fe1\u606f，\u5305\u62ec\u5176\u5e03\u5c40\u3001\u6587\u672c\u3001\u56fe\u8868\u548c\u63d2\u56fe\u3002\u8fd9\u4f7f\u5f97 Qwen2.5-VL \u80fd\u591f\u65e0\u7f1d\u6574\u5408\u591a\u6a21\u6001\u6587\u6863\u5143\u7d20，\u4ece\u800c\u5b9e\u73b0\u66f4\u9ad8\u6548\u3001\u51c6\u786e\u7684\u6587\u6863\u7406\u89e3\u548c\u8f6c\u5316\u3002<\/p>\n \u4ee5\u4e0b\u662f Qwen2.5-VL \u7684 HTML \u683c\u5f0f\u793a\u4f8b：<\/p>\n \u4e3a\u4e86\u63d0\u5347 OCR（\u5149\u5b66\u5b57\u7b26\u8bc6\u522b）\u7684\u6027\u80fd，\u6211\u4eec\u6536\u96c6\u5e76\u6574\u7406\u4e86\u6765\u81ea\u4e0d\u540c\u6765\u6e90\u7684\u6570\u636e，\u5305\u62ec\u5408\u6210\u6570\u636e\u3001\u5f00\u6e90\u6570\u636e\u548c\u5185\u90e8\u91c7\u96c6\u6570\u636e： – \u5408\u6210\u6570\u636e\u901a\u8fc7\u4e00\u4e2a\u89c6\u89c9\u6587\u672c\u751f\u6210\u5f15\u64ce\u751f\u6210，\u80fd\u591f\u4ea7\u751f\u9ad8\u8d28\u91cf\u7684\u91ce\u5916\u6587\u672c\u56fe\u50cf； – \u4e3a\u4e86\u652f\u6301\u66f4\u591a\u8bed\u8a00\u5e76\u589e\u5f3a\u591a\u8bed\u8a00\u80fd\u529b，\u6211\u4eec\u5f15\u5165\u4e86\u4e00\u4e2a\u5927\u89c4\u6a21\u591a\u8bed\u8a00 OCR \u6570\u636e\u96c6，\u6db5\u76d6\u6cd5\u8bed\u3001\u5fb7\u8bed\u3001\u610f\u5927\u5229\u8bed\u3001\u897f\u73ed\u7259\u8bed\u3001\u8461\u8404\u7259\u8bed\u3001\u963f\u62c9\u4f2f\u8bed\u3001\u4fc4\u8bed\u3001\u65e5\u8bed\u3001\u97e9\u8bed\u548c\u8d8a\u5357\u8bed\u7b49\u591a\u79cd\u8bed\u8a00\u3002<\/p>\n \u8be5\u6570\u636e\u96c6\u7ecf\u8fc7\u7cbe\u5fc3\u7b5b\u9009\u4ee5\u786e\u4fdd\u591a\u6837\u6027\u548c\u8d28\u91cf，\u7ed3\u5408\u9ad8\u8d28\u91cf\u7684\u5408\u6210\u56fe\u50cf\u548c\u771f\u5b9e\u4e16\u754c\u7684\u81ea\u7136\u573a\u666f\u56fe\u50cf\u3002\u8fd9\u79cd\u7ec4\u5408\u4fdd\u8bc1\u4e86\u6a21\u578b\u5728\u5404\u79cd\u8bed\u8a00\u73af\u5883\u4e0b\u7684\u9c81\u68d2\u8868\u73b0，\u5e76\u63d0\u5347\u4e86\u5176\u5bf9\u4e0d\u540c\u6587\u672c\u5916\u89c2\u548c\u73af\u5883\u6761\u4ef6\u7684\u9002\u5e94\u80fd\u529b\u3002<\/p>\n \u9488\u5bf9\u56fe\u8868\u6570\u636e，\u6211\u4eec\u4f7f\u7528\u5305\u62ec matplotlib\u3001seaborn\u00a0\u548c plotly\u00a0\u5728\u5185\u7684\u53ef\u89c6\u5316\u5e93\u5408\u6210\u4e86 100 \u4e07\u6837\u672c，\u6db5\u76d6\u67f1\u72b6\u56fe\u3001\u5173\u7cfb\u56fe\u548c\u70ed\u529b\u56fe\u7b49\u56fe\u8868\u7c7b\u522b\u3002\u9488\u5bf9\u8868\u683c\u6570\u636e，\u6211\u4eec\u901a\u8fc7\u79bb\u7ebf\u7aef\u5230\u7aef\u8868\u683c\u8bc6\u522b\u6a21\u578b\u5904\u7406\u4e86 600 \u4e07\u771f\u5b9e\u6837\u672c，\u968f\u540e\u7b5b\u9664\u7f6e\u4fe1\u5ea6\u8f83\u4f4e\u3001\u8868\u683c\u91cd\u53e0\u6216\u5355\u5143\u683c\u5bc6\u5ea6\u4e0d\u8db3\u7684\u8868\u683c\u3002<\/p>\n \u4e3a\u4e86\u589e\u5f3a\u6a21\u578b\u5bf9\u5177\u6709\u53ef\u53d8\u5e27\u7387（FPS）\u7684\u89c6\u9891\u6570\u636e\u7684\u7406\u89e3\u80fd\u529b，\u6211\u4eec\u5728\u8bad\u7ec3\u4e2d\u52a8\u6001\u91c7\u6837\u5e27\u7387，\u4f7f\u8bad\u7ec3\u6570\u636e\u96c6\u4e2d\u5e27\u7387\u5206\u5e03\u66f4\u52a0\u5747\u5300\u3002\u6b64\u5916，\u5bf9\u4e8e\u65f6\u957f\u8d85\u8fc7\u534a\u5c0f\u65f6\u7684\u89c6\u9891，\u6211\u4eec\u901a\u8fc7\u76ee\u6807\u5408\u6210\u7ba1\u9053\u751f\u6210\u4e86\u591a\u5e27\u89c6\u9891\u63cf\u8ff0，\u4ece\u800c\u4e13\u95e8\u6784\u5efa\u4e86\u4e00\u7ec4\u957f\u89c6\u9891\u63cf\u8ff0\u3002<\/p>\n \u5728\u89c6\u9891\u5b9a\u4f4d\u6570\u636e\u65b9\u9762，\u6211\u4eec\u4ee5\u79d2\u4e3a\u5355\u4f4d\u548c \u5c0f\u65f6-\u5206\u949f-\u79d2-\u5e27（hmsf）<\/span>\u683c\u5f0f\u6784\u5efa\u4e86\u65f6\u95f4\u6233，\u786e\u4fdd\u6a21\u578b\u80fd\u591f\u51c6\u786e\u7406\u89e3\u548c\u8f93\u51fa\u5404\u79cd\u65f6\u95f4\u683c\u5f0f\u3002<\/p>\n \u4e3a\u4e86\u589e\u5f3a\u6a21\u578b\u7684\u611f\u77e5\u548c\u51b3\u7b56\u80fd\u529b，\u4ece\u800c\u6784\u5efa Qwen2.5-VL \u7684\u4ee3\u7406\u80fd\u529b，\u6211\u4eec\u6536\u96c6\u4e86\u79fb\u52a8\u7aef\u3001\u7f51\u9875\u7aef\u548c\u684c\u9762\u7aef\u5e73\u53f0\u7684\u622a\u56fe\u3002\u901a\u8fc7\u5408\u6210\u6570\u636e\u5f15\u64ce\u751f\u6210\u622a\u56fe\u63cf\u8ff0\u548c\u7528\u6237\u754c\u9762（UI）\u5143\u7d20\u7684\u5b9a\u4f4d\u6807\u6ce8： – \u63cf\u8ff0\u4efb\u52a1<\/span>\u00a0\u5e2e\u52a9\u6a21\u578b\u7406\u89e3\u56fe\u5f62\u754c\u9762； – \u5b9a\u4f4d\u4efb\u52a1 <\/span>\u5e2e\u52a9\u6a21\u578b\u5bf9\u9f50\u5143\u7d20\u7684\u5916\u89c2\u4e0e\u529f\u80fd\u3002<\/p>\n \u5728\u51b3\u7b56\u65b9\u9762，\u6211\u4eec\u9996\u5148\u5c06\u79fb\u52a8\u7aef\u3001\u7f51\u9875\u7aef\u548c\u684c\u9762\u7aef\u5e73\u53f0\u7684\u64cd\u4f5c\u7edf\u4e00\u4e3a\u5177\u6709\u5171\u4eab\u52a8\u4f5c\u7a7a\u95f4\u7684\u51fd\u6570\u8c03\u7528\u683c\u5f0f\u3002\u901a\u8fc7\u5f00\u6e90\u6570\u636e\u548c\u57fa\u4e8e\u4ee3\u7406\u6846\u67b6\u5728\u865a\u62df\u73af\u5883\u4e2d\u91c7\u96c6\u7684\u591a\u6b65\u8f68\u8ff9，\u751f\u6210\u5e76\u91cd\u65b0\u683c\u5f0f\u5316\u4e3a\u51fd\u6570\u683c\u5f0f\u3002<\/p>\n \u6b64\u5916，\u6211\u4eec\u901a\u8fc7\u4eba\u7c7b\u548c\u6a21\u578b\u6807\u6ce8\u8005\u4e3a\u6bcf\u4e00\u6b65\u64cd\u4f5c\u751f\u6210\u63a8\u7406\u8fc7\u7a0b\u3002\u5177\u4f53\u5730： 1. \u7ed9\u5b9a\u4e00\u4e2a\u771f\u5b9e\u64cd\u4f5c，\u6211\u4eec\u5728\u622a\u56fe\u4e0a\u9ad8\u4eae\u663e\u793a； 2. \u63d0\u4f9b\u5168\u5c40\u67e5\u8be2\u4ee5\u53ca\u64cd\u4f5c\u524d\u540e\u622a\u56fe； 3. \u8981\u6c42\u6807\u6ce8\u8005\u64b0\u5199\u63a8\u7406\u5185\u5bb9，\u89e3\u91ca\u64cd\u4f5c\u80cc\u540e\u7684\u610f\u56fe\u3002<\/p>\n \u6211\u4eec\u8fd8\u4f7f\u7528\u57fa\u4e8e\u6a21\u578b\u7684\u8fc7\u6ee4\u5668\u7b5b\u9009\u51fa\u4f4e\u8d28\u91cf\u7684\u63a8\u7406\u5185\u5bb9\u3002\u8fd9\u6837\u7684\u63a8\u7406\u5185\u5bb9\u80fd\u591f\u9632\u6b62 Qwen2.5-VL \u8fc7\u62df\u5408\u4e8e\u771f\u5b9e\u64cd\u4f5c，\u5e76\u63d0\u5347\u5176\u5728\u771f\u5b9e\u573a\u666f\u4e2d\u7684\u9c81\u68d2\u6027\u3002<\/p>\n \u6211\u4eec\u4ece\u5934\u5f00\u59cb\u8bad\u7ec3\u4e86\u4e00\u4e2a Vision Transformer (ViT)，\u4ee5 DataComp \u548c\u4e00\u4e9b\u5185\u90e8\u6570\u636e\u96c6\u4f5c\u4e3a\u89c6\u89c9\u7f16\u7801\u5668\u7684\u521d\u59cb\u5316\u6743\u91cd，\u540c\u65f6\u901a\u8fc7\u9884\u8bad\u7ec3\u7684 Qwen2.5 \u5927\u578b\u8bed\u8a00\u6a21\u578b（LLM）\u4f5c\u4e3a\u8bed\u8a00\u6a21\u578b\u7ec4\u4ef6\u7684\u521d\u59cb\u5316\u6743\u91cd\u3002<\/p>\n \u5982\u8868 2 \u6240\u793a，\u9884\u8bad\u7ec3\u8fc7\u7a0b\u5206\u4e3a\u4e09\u4e2a\u9636\u6bb5，\u6bcf\u4e2a\u9636\u6bb5\u91c7\u7528\u4e0d\u540c\u7684\u6570\u636e\u914d\u7f6e\u548c\u8bad\u7ec3\u7b56\u7565，\u4ee5\u9010\u6b65\u589e\u5f3a\u6a21\u578b\u7684\u80fd\u529b\u3002<\/p>\n \u7b2c\u4e00\u9636\u6bb5 – \u8bad\u7ec3\u76ee\u6807：\u4ec5\u8bad\u7ec3 Vision Transformer (ViT)，\u4ee5\u6539\u5584\u5176\u4e0e\u8bed\u8a00\u6a21\u578b\u7684\u5bf9\u9f50，\u4ece\u800c\u4e3a\u591a\u6a21\u6001\u7406\u89e3\u5960\u5b9a\u575a\u5b9e\u57fa\u7840\u3002 – \u4e3b\u8981\u6570\u636e\u6765\u6e90：\u56fe\u50cf\u63cf\u8ff0\u3001\u89c6\u89c9\u77e5\u8bc6\u548c OCR \u6570\u636e\u3002 – \u8bad\u7ec3\u91cd\u70b9：\u8fd9\u4e9b\u6570\u636e\u96c6\u7ecf\u8fc7\u7cbe\u5fc3\u6311\u9009，\u4ee5\u4fc3\u8fdb ViT \u63d0\u53d6\u5177\u6709\u610f\u4e49\u7684\u89c6\u89c9\u8868\u793a，\u8fd9\u4e9b\u8868\u793a\u80fd\u591f\u6709\u6548\u5730\u4e0e\u6587\u672c\u4fe1\u606f\u96c6\u6210\u3002<\/p>\n \u7b2c\u4e8c\u9636\u6bb5 – \u8bad\u7ec3\u76ee\u6807：\u89e3\u51bb\u6240\u6709\u6a21\u578b\u53c2\u6570，\u5e76\u5728\u591a\u6837\u5316\u7684\u591a\u6a21\u6001\u56fe\u50cf\u6570\u636e\u4e0a\u8bad\u7ec3\u6a21\u578b，\u4ee5\u589e\u5f3a\u5176\u5904\u7406\u590d\u6742\u89c6\u89c9\u4fe1\u606f\u7684\u80fd\u529b\u3002 – \u6570\u636e\u7c7b\u578b：\u5728\u8fd9\u4e00\u9636\u6bb5\u5f15\u5165\u4e86\u66f4\u590d\u6742\u548c\u9700\u8981\u63a8\u7406\u7684\u6570\u636e\u96c6，\u4f8b\u5982\u56fe\u6587\u4ea4\u53c9\u6570\u636e\u3001\u591a\u4efb\u52a1\u5b66\u4e60\u6570\u636e\u96c6\u3001\u89c6\u89c9\u95ee\u7b54（VQA）\u3001\u591a\u6a21\u6001\u6570\u5b66\u95ee\u9898\u3001\u57fa\u4e8e\u4ee3\u7406\u7684\u4efb\u52a1\u3001\u89c6\u9891\u7406\u89e3\u4efb\u52a1\u4ee5\u53ca\u7eaf\u6587\u672c\u6570\u636e\u3002 – \u8bad\u7ec3\u91cd\u70b9：\u8fd9\u4e9b\u6570\u636e\u96c6\u52a0\u5f3a\u4e86\u6a21\u578b\u5728\u89c6\u89c9\u548c\u8bed\u8a00\u6a21\u6001\u4e4b\u95f4\u5efa\u7acb\u6df1\u5c42\u8fde\u63a5\u7684\u80fd\u529b，\u4f7f\u5176\u80fd\u591f\u5904\u7406\u65e5\u76ca\u590d\u6742\u7684\u4efb\u52a1\u3002<\/p>\n \u7b2c\u4e09\u9636\u6bb5 – \u8bad\u7ec3\u76ee\u6807：\u8fdb\u4e00\u6b65\u589e\u5f3a\u6a21\u578b\u5728\u957f\u5e8f\u5217\u4e0a\u7684\u63a8\u7406\u80fd\u529b，\u540c\u65f6\u5f15\u5165\u89c6\u9891\u548c\u57fa\u4e8e\u4ee3\u7406\u7684\u6570\u636e，\u5e76\u589e\u52a0\u5e8f\u5217\u957f\u5ea6\u3002 – \u8bad\u7ec3\u91cd\u70b9：\u901a\u8fc7\u5ef6\u957f\u5e8f\u5217\u957f\u5ea6，\u6a21\u578b\u80fd\u591f\u5904\u7406\u66f4\u957f\u7684\u4e0a\u4e0b\u6587，\u8fd9\u5bf9\u4e8e\u9700\u8981\u957f\u671f\u4f9d\u8d56\u548c\u590d\u6742\u63a8\u7406\u7684\u4efb\u52a1\u7279\u522b\u6709\u5229\u3002<\/p>\n \u4f18\u5316\u8bad\u7ec3\u6548\u7387 \u5728\u8bad\u7ec3\u8fc7\u7a0b\u4e2d，\u7531\u4e8e\u56fe\u50cf\u5c3a\u5bf8\u548c\u6587\u672c\u957f\u5ea6\u7684\u5dee\u5f02\u4f1a\u5bfc\u81f4\u8ba1\u7b97\u8d1f\u8f7d\u4e0d\u5e73\u8861，\u6211\u4eec\u91c7\u7528\u4e86\u4e00\u79cd\u7b56\u7565\u6765\u4f18\u5316\u8bad\u7ec3\u6548\u7387： – \u8ba1\u7b97\u8d1f\u8f7d\u7684\u4e3b\u8981\u6765\u6e90：\u6765\u81ea LLM \u548c\u89c6\u89c9\u7f16\u7801\u5668\u3002 – \u4f18\u5316\u65b9\u6cd5： \u00a0 – \u7531\u4e8e\u89c6\u89c9\u7f16\u7801\u5668\u7684\u53c2\u6570\u8f83\u5c11，\u5e76\u4e14\u6211\u4eec\u5f15\u5165\u4e86\u7a97\u53e3\u6ce8\u610f\u529b\u673a\u5236\u4ee5\u8fdb\u4e00\u6b65\u964d\u4f4e\u8ba1\u7b97\u9700\u6c42，\u56e0\u6b64\u6211\u4eec\u4e13\u6ce8\u4e8e\u5e73\u8861 LLM \u5728\u4e0d\u540c GPU \u4e0a\u7684\u8ba1\u7b97\u8d1f\u8f7d\u3002 \u00a0 – \u57fa\u4e8e\u8f93\u5165\u5230 LLM \u7684\u5e8f\u5217\u957f\u5ea6\u52a8\u6001\u6253\u5305\u6570\u636e\u6837\u672c，\u786e\u4fdd\u8ba1\u7b97\u8d1f\u8f7d\u7684\u4e00\u81f4\u6027\u3002<\/p>\n \u5728\u4e0d\u540c\u9636\u6bb5\u4e2d，\u5e8f\u5217\u957f\u5ea6\u7684\u8bbe\u7f6e\u5982\u4e0b： – \u7b2c\u4e00\u9636\u6bb5\u548c\u7b2c\u4e8c\u9636\u6bb5：\u5e8f\u5217\u957f\u5ea6\u56fa\u5b9a\u4e3a 8,192； – \u7b2c\u4e09\u9636\u6bb5：\u5e8f\u5217\u957f\u5ea6\u589e\u52a0\u5230 32,768，\u4ee5\u9002\u5e94\u6a21\u578b\u5904\u7406\u957f\u5e8f\u5217\u7684\u80fd\u529b\u3002<\/p>\n Qwen2.5-VL \u7684\u540e\u8bad\u7ec3\u5bf9\u9f50\u6846\u67b6\u91c7\u7528\u4e86\u4e00\u4e2a\u7531\u4e24\u9636\u6bb5\u4f18\u5316\u7ec4\u6210\u7684\u7b56\u7565：\u76d1\u7763\u5fae\u8c03（SFT）<\/span>\u00a0\u548c \u76f4\u63a5\u504f\u597d\u4f18\u5316（DPO，Direct Preference Optimization）<\/span>\u3002\u8fd9\u79cd\u5206\u5c42\u7684\u5bf9\u9f50\u7b56\u7565\u901a\u8fc7\u4e0d\u540c\u7684\u4f18\u5316\u76ee\u6807，\u7ed3\u5408\u53c2\u6570\u9ad8\u6548\u7684\u9886\u57df\u9002\u914d\u4e0e\u4eba\u7c7b\u504f\u597d\u63d0\u53d6，\u89e3\u51b3\u4e86\u8868\u793a\u5bf9\u9f50\u4e0e\u884c\u4e3a\u4f18\u5316\u4e24\u65b9\u9762\u7684\u95ee\u9898\u3002<\/p>\n \u76d1\u7763\u5fae\u8c03（SFT）<\/span> – \u76ee\u6807：\u901a\u8fc7\u6709\u9488\u5bf9\u6027\u7684\u6307\u4ee4\u4f18\u5316，\u5f25\u8865\u9884\u8bad\u7ec3\u8868\u793a\u4e0e\u4e0b\u6e38\u4efb\u52a1\u9700\u6c42\u4e4b\u95f4\u7684\u5dee\u8ddd\u3002 – \u6570\u636e\u683c\u5f0f：\u5728\u6b64\u9636\u6bb5\u91c7\u7528 ChatML \u683c\u5f0f \u6765\u6784\u5efa\u6307\u4ee4\u8ddf\u968f\u6570\u636e，\u4e0e\u9884\u8bad\u7ec3\u6570\u636e\u7684\u683c\u5f0f\u6709\u610f\u4e0d\u540c，\u4f46\u4fdd\u6301\u4e0e Qwen2-VL\u67b6\u6784\u7684\u4e00\u81f4\u6027\u3002 – \u683c\u5f0f\u8c03\u6574\u7684\u5173\u952e\u9002\u5e94： \u00a0 1. \u4e3a\u591a\u6a21\u6001\u8f6e\u6d41\u5bf9\u8bdd\u660e\u786e\u6807\u6ce8\u5bf9\u8bdd\u89d2\u8272； \u00a0 2. \u5728\u6587\u672c\u6307\u4ee4\u65c1\u63d2\u5165\u89c6\u89c9\u5d4c\u5165； \u00a0 3. \u901a\u8fc7\u683c\u5f0f\u611f\u77e5\u7684\u6253\u5305\u65b9\u5f0f，\u4fdd\u6301\u8de8\u6a21\u6001\u7684\u4f4d\u7f6e\u4fe1\u606f\u5173\u7cfb\u3002<\/p>\n \u901a\u8fc7\u5c06\u6a21\u578b\u66b4\u9732\u4e8e\u7ecf\u8fc7\u7cbe\u5fc3\u8bbe\u8ba1\u7684\u591a\u6a21\u6001\u6307\u4ee4-\u54cd\u5e94\u6837\u672c\u4e4b\u4e0b，SFT \u5728\u4fdd\u6301\u9884\u8bad\u7ec3\u7279\u5f81\u5b8c\u6574\u6027\u7684\u540c\u65f6，\u5b9e\u73b0\u4e86\u9ad8\u6548\u7684\u77e5\u8bc6\u8fc1\u79fb\u3002<\/p>\n SFT \u9636\u6bb5\u4f7f\u7528\u4e86\u4e00\u4e2a\u7cbe\u5fc3\u8bbe\u8ba1\u7684\u6570\u636e\u96c6，\u7528\u4e8e\u63d0\u9ad8\u6a21\u578b\u5728\u591a\u79cd\u6a21\u6001\u4e0b\u7684\u6307\u4ee4\u8ddf\u968f\u80fd\u529b： – \u6570\u636e\u6784\u6210<\/span>：\u6570\u636e\u96c6\u5305\u542b\u7ea6 200 \u4e07\u6761\u6837\u672c，\u7eaf\u6587\u672c\u6570\u636e\u548c\u591a\u6a21\u6001\u6570\u636e\u5404\u5360 50%\u3002\u591a\u6a21\u6001\u6570\u636e\u5305\u62ec\u56fe\u6587\u548c\u89c6\u9891-\u6587\u672c\u7ec4\u5408\u3002 \u00a0 – \u591a\u6a21\u6001\u6570\u636e\u5305\u542b\u5d4c\u5165\u7684\u89c6\u89c9\u548c\u65f6\u95f4\u4fe1\u606f，\u56e0\u6b64\u5728\u8bad\u7ec3\u671f\u95f4\u6d88\u8017\u4e86\u66f4\u591a token \u548c\u8ba1\u7b97\u8d44\u6e90\u3002 – \u8bed\u8a00\u8986\u76d6<\/span>：\u6570\u636e\u4ee5\u4e2d\u6587\u548c\u82f1\u6587\u4e3a\u4e3b，\u5e76\u8f85\u4ee5\u591a\u8bed\u8a00\u6837\u672c，\u4ee5\u652f\u6301\u66f4\u5e7f\u6cdb\u7684\u8bed\u8a00\u591a\u6837\u6027\u3002 – \u5bf9\u8bdd\u590d\u6742\u6027<\/span>： \u00a0 \u00a0 \u6570\u636e\u96c6\u6a21\u62df\u4e86\u591a\u5c42\u6b21\u7684\u5bf9\u8bdd\u590d\u6742\u6027，\u5305\u62ec\u5355\u8f6e\u548c\u591a\u8f6e\u4ea4\u4e92； \u00a0 \u00a0\u00a0\u4ea4\u4e92\u60c5\u5883\u6db5\u76d6\u4e86\u4ece\u5355\u56fe\u50cf\u8f93\u5165\u5230\u591a\u56fe\u50cf\u5e8f\u5217\u7684\u591a\u79cd\u573a\u666f，\u4ece\u800c\u6a21\u62df\u73b0\u5b9e\u4e2d\u7684\u5bf9\u8bdd\u52a8\u6001\u3002 – \u6570\u636e\u6765\u6e90<\/span>： \u00a0 \u00a0\u00a0\u67e5\u8be2\u4e3b\u8981\u6765\u81ea\u5f00\u6e90\u8d44\u6e90，\u8f85\u4ee5\u7cbe\u9009\u8d2d\u4e70\u6570\u636e\u96c6\u548c\u5728\u7ebf\u67e5\u8be2\u6570\u636e； \u00a0 \u00a0 \u6570\u636e\u96c6\u8fd8\u5305\u542b\u4e86\u4e13\u95e8\u7684\u5b50\u96c6，\u4f8b\u5982：\u901a\u7528\u89c6\u89c9\u95ee\u7b54（VQA）\u3001\u56fe\u50cf\u63cf\u8ff0\u3001\u6570\u5b66\u95ee\u9898\u3001\u7f16\u7a0b\u4efb\u52a1\u548c\u5b89\u5168\u76f8\u5173\u67e5\u8be2\u3002 \u00a0 \u00a0 \u9488\u5bf9\u6587\u6863\u548c\u5149\u5b66\u5b57\u7b26\u8bc6\u522b（Doc \u548c OCR）\u3001\u76ee\u6807\u5b9a\u4f4d\u3001\u89c6\u9891\u5206\u6790\u4ee5\u53ca\u4ee3\u7406\u4ea4\u4e92，\u6784\u5efa\u4e86\u4e13\u95e8\u7684\u6570\u636e\u96c6\u3002<\/p>\n \u8fd9\u79cd\u7ed3\u6784\u5316\u548c\u591a\u6837\u5316\u7684\u7ec4\u6210\u786e\u4fdd SFT \u9636\u6bb5\u80fd\u591f\u5c06\u9884\u8bad\u7ec3\u8868\u793a\u6709\u6548\u5730\u5bf9\u9f50\u5230\u4e0b\u6e38\u591a\u6a21\u6001\u4efb\u52a1\u7684\u7ec6\u5316\u9700\u6c42，\u5e2e\u52a9\u6a21\u578b\u5b9e\u73b0\u7a33\u5065\u4e14\u5177\u4e0a\u4e0b\u6587\u611f\u77e5\u7684\u6027\u80fd\u3002<\/p>\n \u8bad\u7ec3\u6570\u636e\u7684\u8d28\u91cf\u662f\u5f71\u54cd\u89c6\u89c9\u8bed\u8a00\u6a21\u578b\u6027\u80fd\u7684\u5173\u952e\u56e0\u7d20\u3002\u5f00\u6e90\u548c\u5408\u6210\u6570\u636e\u96c6\u901a\u5e38\u5b58\u5728\u663e\u8457\u7684\u8d28\u91cf\u5dee\u5f02，\u53ef\u80fd\u5305\u542b\u566a\u58f0\u3001\u5197\u4f59\u6216\u4f4e\u8d28\u91cf\u6837\u672c\u3002\u56e0\u6b64，\u4e25\u683c\u7684\u6570\u636e\u6e05\u6d17\u548c\u8fc7\u6ee4\u8fc7\u7a0b\u5bf9\u4e8e\u89e3\u51b3\u8fd9\u4e9b\u95ee\u9898\u81f3\u5173\u91cd\u8981\u3002<\/p>\n \u4f4e\u8d28\u91cf\u6570\u636e\u53ef\u80fd\u5bfc\u81f4\u9884\u8bad\u7ec3\u8868\u793a\u4e0e\u4e0b\u6e38\u4efb\u52a1\u9700\u6c42\u4e4b\u95f4\u7684\u5bf9\u9f50\u4e0d\u4f73，\u4ece\u800c\u524a\u5f31\u6a21\u578b\u5904\u7406\u590d\u6742\u591a\u6a21\u6001\u4efb\u52a1\u7684\u80fd\u529b\u3002\u56e0\u6b64，\u786e\u4fdd\u9ad8\u8d28\u91cf\u6570\u636e\u5bf9\u4e8e\u5b9e\u73b0\u6a21\u578b\u7684\u7a33\u5065\u6027\u548c\u53ef\u9760\u6027\u81f3\u5173\u91cd\u8981\u3002<\/p>\n \u4e24\u9636\u6bb5\u6570\u636e\u8fc7\u6ee4Pipeline \u4e3a\u89e3\u51b3\u8fd9\u4e9b\u95ee\u9898，\u6211\u4eec\u5b9e\u65bd\u4e86\u4e00\u4e2a\u4e24\u9636\u6bb5\u7684\u6570\u636e\u8fc7\u6ee4\u7ba1\u9053，\u4ee5\u7cfb\u7edf\u6027\u5730\u63d0\u9ad8 SFT \u6570\u636e\u96c6\u7684\u8d28\u91cf\u3002 \u00a0<\/p>\n \u7b2c\u4e00\u9636\u6bb5：\u9886\u57df\u7279\u5b9a\u5206\u7c7b<\/span> \u5728\u521d\u59cb\u9636\u6bb5，\u6211\u4eec\u4f7f\u7528 Qwen2-VL-Instag（\u4e00\u79cd\u57fa\u4e8e Qwen2-VL-72B \u7684\u4e13\u7528\u5206\u7c7b\u6a21\u578b）\u5bf9\u95ee\u7b54\u5bf9（QA pairs）\u8fdb\u884c\u5c42\u7ea7\u5206\u7c7b\u3002 \u00a0 \u00a0– \u8be5\u6a21\u578b\u5c06\u95ee\u7b54\u5bf9\u7ec4\u7ec7\u6210\u516b\u4e2a\u4e3b\u8981\u9886\u57df（\u5982\u7f16\u7801\u548c\u89c4\u5212），\u5e76\u8fdb\u4e00\u6b65\u5206\u4e3a 30 \u4e2a\u7ec6\u7c92\u5ea6\u5b50\u9886\u57df（\u5982\u7f16\u7801\u9886\u57df\u53ef\u7ec6\u5206\u4e3a\u4ee3\u7801\u8c03\u8bd5\u3001\u4ee3\u7801\u751f\u6210\u3001\u4ee3\u7801\u7ffb\u8bd1\u548c\u4ee3\u7801\u7406\u89e3）\u3002 \u00a0 \u00a0– \u8fd9\u4e00\u5c42\u7ea7\u7ed3\u6784\u652f\u6301\u9886\u57df\u611f\u77e5\u548c\u5b50\u9886\u57df\u611f\u77e5\u7684\u8fc7\u6ee4\u7b56\u7565，\u4ece\u800c\u4f18\u5316\u9488\u5bf9\u6bcf\u4e2a\u7c7b\u522b\u7279\u5f81\u7684\u6570\u636e\u6e05\u6d17\u8fc7\u7a0b，\u63d0\u9ad8 SFT \u6570\u636e\u96c6\u7684\u8d28\u91cf\u548c\u76f8\u5173\u6027\u3002<\/p>\n \u7b2c\u4e8c\u9636\u6bb5：\u9886\u57df\u5b9a\u5236\u8fc7\u6ee4<\/span> \u00a0\u5728\u7b2c\u4e8c\u9636\u6bb5，\u6211\u4eec\u7ed3\u5408\u89c4\u5219\u9a71\u52a8\u548c\u6a21\u578b\u9a71\u52a8\u7684\u65b9\u6cd5\u5bf9\u6570\u636e\u8d28\u91cf\u8fdb\u884c\u5168\u9762\u63d0\u5347： \u00a0 \u00a0 \u00a0– \u89c4\u5219\u9a71\u52a8\u8fc7\u6ee4：\u6839\u636e\u9884\u5b9a\u4e49\u7684\u542f\u53d1\u5f0f\u89c4\u5219\u79fb\u9664\u4f4e\u8d28\u91cf\u6216\u6709\u95ee\u9898\u7684\u6837\u672c；\u5bf9\u4e8e\u6587\u6863\u5904\u7406\u3001OCR \u548c\u89c6\u89c9\u5b9a\u4f4d\u4efb\u52a1\u7684\u6570\u636e\u96c6，\u5220\u9664\u91cd\u590d\u6a21\u5f0f\u3001\u622a\u65ad\u6216\u683c\u5f0f\u9519\u8bef\u7684\u6837\u672c；\u540c\u65f6，\u5220\u9664\u53ef\u80fd\u5bfc\u81f4\u6709\u5bb3\u7ed3\u679c\u7684\u65e0\u5173\u67e5\u8be2\u548c\u56de\u7b54\u3002 \u00a0 \u00a0 \u00a0– \u6a21\u578b\u9a71\u52a8\u8fc7\u6ee4：\u4f7f\u7528\u57fa\u4e8e Qwen2.5-VL \u7cfb\u5217\u8bad\u7ec3\u7684\u5956\u52b1\u6a21\u578b，\u8bc4\u4f30\u591a\u6a21\u6001\u95ee\u7b54\u5bf9\u7684\u8d28\u91cf，\u5305\u62ec\u67e5\u8be2\u7684\u590d\u6742\u6027\u548c\u76f8\u5173\u6027\u3001\u56de\u7b54\u7684\u6b63\u786e\u6027\u3001\u5b8c\u6574\u6027\u3001\u6e05\u6670\u5ea6\u3001\u76f8\u5173\u6027\u548c\u5b9e\u7528\u6027\u3002<\/p>\n \u4e3a\u4e86\u8fdb\u4e00\u6b65\u5b8c\u5584\u6570\u636e\u8fc7\u6ee4pipeline，\u6211\u4eec\u91c7\u7528\u4e86\u62d2\u7edd\u91c7\u6837\u7b56\u7565，\u4ee5\u7ec6\u5316\u6570\u636e\u96c6\u5e76\u589e\u5f3a\u89c6\u89c9\u8bed\u8a00\u6a21\u578b\u7684\u63a8\u7406\u80fd\u529b\u3002\u8fd9\u79cd\u65b9\u6cd5\u5bf9\u9700\u8981\u590d\u6742\u63a8\u7406\u7684\u4efb\u52a1（\u5982\u6570\u5b66\u95ee\u9898\u6c42\u89e3\u3001\u4ee3\u7801\u751f\u6210\u548c\u7279\u5b9a\u9886\u57df\u7684\u89c6\u89c9\u95ee\u7b54）\u5c24\u4e3a\u91cd\u8981\u3002<\/p>\n – \u6570\u636e\u6765\u6e90：\u62d2\u7edd\u91c7\u6837\u7684\u6570\u636e\u96c6\u6765\u81ea\u6807\u6ce8\u4e86\u771f\u5b9e\u503c\u7684\u9ad8\u8d28\u91cf\u6837\u672c，\u4e13\u6ce8\u4e8e\u9700\u8981\u591a\u6b65\u63a8\u7406\u7684\u4efb\u52a1\u3002 – \u8bc4\u4f30\u8fc7\u7a0b：\u4f7f\u7528 Qwen2.5-VL \u7684\u4e2d\u95f4\u7248\u672c，\u8bc4\u4f30\u751f\u6210\u7684\u56de\u7b54\u4e0e\u771f\u5b9e\u503c\u7684\u5339\u914d\u60c5\u51b5，\u4ec5\u4fdd\u7559\u6a21\u578b\u8f93\u51fa\u4e0e\u9884\u671f\u7b54\u6848\u4e00\u81f4\u7684\u6837\u672c\u3002 – \u4e3a\u589e\u5f3a\u6570\u636e\u8d28\u91cf，\u989d\u5916\u6dfb\u52a0\u9650\u5236\u6761\u4ef6，\u8fc7\u6ee4\u6389\u4e0d\u5fc5\u8981\u7684\u8f93\u51fa\u3002<\/p>\n \u8fd9\u79cd\u65b9\u6cd5\u663e\u8457\u63d0\u9ad8\u4e86\u6a21\u578b\u7684\u63a8\u7406\u80fd\u529b，\u786e\u4fdd\u4e86\u6570\u636e\u96c6\u4e2d\u5305\u542b\u9ad8\u8d28\u91cf\u3001\u5f3a\u8c03\u51c6\u786e\u63a8\u7406\u7684\u793a\u4f8b，\u4e3a\u89c6\u89c9\u8bed\u8a00\u5efa\u6a21\u5e26\u6765\u4e86\u8fdb\u4e00\u6b65\u7684\u6027\u80fd\u63d0\u5347\u3002<\/p>\n Qwen2.5-VL \u7684\u540e\u8bad\u7ec3\u8fc7\u7a0b\u5305\u62ec\u4e24\u4e2a\u9636\u6bb5：\u76d1\u7763\u5fae\u8c03（SFT）\u00a0\u548c \u76f4\u63a5\u504f\u597d\u4f18\u5316（DPO），\u5728\u8fd9\u4e24\u4e2a\u9636\u6bb5\u4e2d，Vision Transformer (ViT) \u7684\u53c2\u6570\u5747\u4fdd\u6301\u51bb\u7ed3\u72b6\u6001\u3002<\/p>\n \u76d1\u7763\u5fae\u8c03（SFT）\u9636\u6bb5<\/span> \u5728 SFT \u9636\u6bb5，\u6a21\u578b\u901a\u8fc7\u591a\u6837\u5316\u7684\u591a\u6a21\u6001\u6570\u636e\u8fdb\u884c\u5fae\u8c03，\u8fd9\u4e9b\u6570\u636e\u5305\u62ec： – \u56fe\u6587\u5bf9（image-text pairs）； – \u89c6\u9891\u6570\u636e； – \u7eaf\u6587\u672c\u6570\u636e\u3002<\/p>\n \u6570\u636e\u6765\u6e90\u6db5\u76d6：<\/p>\n \u76f4\u63a5\u504f\u597d\u4f18\u5316（DPO）\u9636\u6bb5<\/span><\/p>\n DPO \u9636\u6bb5\u4ec5\u4e13\u6ce8\u4e8e\u56fe\u6587\u6570\u636e\u548c\u7eaf\u6587\u672c\u6570\u636e，\u5229\u7528\u504f\u597d\u6570\u636e\u5bf9\u6a21\u578b\u8fdb\u884c\u4f18\u5316，\u4ee5\u4f7f\u5176\u5bf9\u9f50\u4eba\u7c7b\u504f\u597d\u3002\u6bcf\u4e2a\u6837\u672c\u4ec5\u5904\u7406\u4e00\u6b21，\u4ee5\u786e\u4fdd\u4f18\u5316\u6548\u7387\u3002<\/p>\n \u8fd9\u4e00\u7cbe\u7b80\u7684\u4e24\u9636\u6bb5\u6d41\u7a0b\u5728\u4ee5\u4e0b\u51e0\u4e2a\u65b9\u9762\u63d0\u5347\u4e86\u6a21\u578b\u7684\u6027\u80fd：<\/p>\n \u5728\u591a\u6a21\u6001\u6a21\u578b\u4e2d，\u4ee3\u7406\u80fd\u529b\u5bf9\u4e8e\u4f7f\u8fd9\u4e9b\u6a21\u578b\u80fd\u591f\u6709\u6548\u4e0e\u73b0\u5b9e\u4e16\u754c\u8bbe\u5907\u8fdb\u884c\u4ea4\u4e92\u81f3\u5173\u91cd\u8981\u3002\u6211\u4eec\u4ece\u591a\u4e2a\u65b9\u9762\u5bf9Qwen2.5-VL\u7684\u4ee3\u7406\u80fd\u529b\u8fdb\u884c\u4e86\u8bc4\u4f30\u3002\u901a\u8fc7ScreenSpot\u548cScreenSpot Pro\u8bc4\u4f30\u5176\u7528\u6237\u754c\u9762（UI）\u5143\u7d20\u7684\u5bf9\u9f50\u80fd\u529b\u3002<\/p>\n \u5728Android Control\u4e0a\u8fdb\u884c\u4e86\u79bb\u7ebf\u8bc4\u4f30，\u800c\u5728\u7ebf\u8bc4\u4f30\u5219\u5728\u5305\u62ecAndroidWorld\u3001MobileMiniWob++\u548cOSWorld\u7684\u5e73\u53f0\u4e0a\u8fdb\u884c\u3002<\/p>\n \u6211\u4eec\u5c06Qwen2.5-VL-72B\u7684\u6027\u80fd\u4e0e\u5176\u4ed6\u8457\u540d\u6a21\u578b\u8fdb\u884c\u4e86\u5bf9\u6bd4，\u5982GPT-4o\u3001Gemini 2.0\u3001Claude\u3001Aguvis-72B\u4ee5\u53caQwen2-VL-72B\u3002\u7ed3\u679c\u5c55\u793a\u5728\u88689\u4e2d\u3002<\/p>\n Qwen2.5-VL-72B\u5728GUI\u5bf9\u9f50\u57fa\u51c6\u6d4b\u8bd5\u4e2d\u8868\u73b0\u51fa\u5353\u8d8a\u7684\u8fdb\u6b65\u3002<\/p>\n \u5728ScreenSpot\u6d4b\u8bd5\u4e2d，\u5176\u51c6\u786e\u7387\u8fbe\u523087.1%，\u4e0eGemini 2.0（84.0%）\u548cClaude（83.0%）\u5c55\u5f00\u4e86\u6fc0\u70c8\u7ade\u4e89；<\/p>\n \u800c\u5728ScreenSpot Pro\u6d4b\u8bd5\u4e2d，\u5176\u8868\u73b0\u5c24\u4e3a\u7a81\u51fa，\u4ee543.6%\u7684\u51c6\u786e\u7387\u8fdc\u8d85Aguvis-72B（23.6%）\u548c\u5176\u57fa\u7840\u6a21\u578bQwen2-VL-72B（1.6%），\u6811\u7acb\u4e86\u65b0\u7684\u6807\u6746\u3002<\/p>\n \u501f\u52a9\u8fd9\u4e9b\u5353\u8d8a\u7684\u5bf9\u9f50\u80fd\u529b，Qwen2.5-VL-72B\u5728\u6240\u6709\u79bb\u7ebf\u8bc4\u4f30\u57fa\u51c6\u4e2d\u663e\u8457\u8d85\u8d8a\u4e86\u57fa\u51c6\u6a21\u578b，\u8868\u73b0\u51fa\u660e\u663e\u7684\u9886\u5148\u4f18\u52bf\u3002<\/p>\n \u5728\u5728\u7ebf\u8bc4\u4f30\u4e2d，\u7531\u4e8e\u67d0\u4e9b\u57fa\u51c6\u6a21\u578b\u7684\u5bf9\u9f50\u80fd\u529b\u6709\u9650，\u5b83\u4eec\u96be\u4ee5\u5b8c\u6210\u4efb\u52a1\u3002\u56e0\u6b64，\u6211\u4eec\u5c06Set-of-Mark（SoM）\u65b9\u6cd5\u5e94\u7528\u4e8e\u8fd9\u4e9b\u6a21\u578b\u7684\u8f93\u5165\u3002<\/p>\n \u7ed3\u679c\u663e\u793a，\u5728\u65e0\u9700\u8f85\u52a9\u6807\u8bb0\u7684\u60c5\u51b5\u4e0b，Qwen2.5-VL-72B\u5728AndroidWorld\u548cMobileMiniWob++\u5e73\u53f0\u4e0a\u7684\u8868\u73b0\u663e\u8457\u4f18\u4e8e\u57fa\u51c6\u6a21\u578b，\u5e76\u4e14\u5728OSWorld\u5e73\u53f0\u4e0a\u53d6\u5f97\u4e86\u4e0e\u4e4b\u76f8\u5f53\u7684\u6027\u80fd\u3002\u8fd9\u4e00\u89c2\u5bdf\u8868\u660e，Qwen2.5-VL-72B\u80fd\u591f\u5728\u771f\u5b9e\u4e14\u52a8\u6001\u7684\u73af\u5883\u4e2d\u5145\u5f53\u4e00\u4e2a\u6709\u6548\u7684\u4ee3\u7406\u3002<\/p><\/p>\n","protected":false},"excerpt":{"rendered":" \u6587\u7ae0\u6d4f\u89c8\u9605\u8bfb600\u6b21\uff0c\u70b9\u8d5e21\u6b21\uff0c\u6536\u85cf21\u6b21\u3002\u300aQwen2.5-VL Technical Report\u300b\u6280\u672f\u62a5\u544a\u7b14\u8bb0<\/p>\n","protected":false},"author":2,"featured_media":55450,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[5706,132,86,305,2643],"topic":[],"class_list":["post-55456","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-server","tag-5706","tag-132","tag-86","tag-305","tag-2643"],"yoast_head":"\n![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144442-689ca4dadefbc.png\")
<\/p>\n
\n\u4e00\u3001\u5f15\u8a00<\/h2>\n
![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144448-689ca4e011e96.png\")
<\/p>\n
\n\u4e8c\u3001\u65b9\u6cd5<\/h2>\n
2.1 \u6a21\u578b\u67b6\u6784<\/h3>\n
\n2.1.1 \u9ad8\u6548\u5feb\u901f\u7684\u89c6\u89c9\u7f16\u7801\u5668<\/h4>\n
\n
\n
\n
\n
\n2.1.2 \u539f\u751f\u52a8\u6001\u5206\u8fa8\u7387\u4e0e\u5e27\u7387<\/h4>\n
\n
\n
\n2.1.3 \u4e0e\u7edd\u5bf9\u65f6\u95f4\u5bf9\u9f50\u7684\u591a\u6a21\u6001\u65cb\u8f6c\u4f4d\u7f6e\u7f16\u7801（MRoPE）<\/h4>\n
\n
\n
\n
\n
\n
![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144451-689ca4e36780f.png\")
<\/p>\n
\n2.2 \u9884\u8bad\u7ec3<\/h3>\n
2.2.1 \u9884\u8bad\u7ec3\u6570\u636e<\/h4>\n
\u56fe\u6587\u4ea4\u53c9\u6570\u636e（Interleaved Image-Text Data）<\/h5>\n
\u57fa\u4e8e\u7edd\u5bf9\u4f4d\u7f6e\u5750\u6807\u7684\u5b9a\u4f4d\u6570\u636e（Grounding Data with Absolute Position Coordinates）<\/h5>\n
\u6587\u6863\u5168\u89e3\u6790\u6570\u636e（Document Omni-Parsing Data）<\/h5>\n
![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144504-689ca4f062de7.png\")
<\/p>\nOCR \u6570\u636e（\u5149\u5b66\u5b57\u7b26\u8bc6\u522b\u6570\u636e）<\/h5>\n
\u89c6\u9891\u6570\u636e（Video Data）<\/h5>\n
\u4ee3\u7406\u6570\u636e（Agent Data）<\/h5>\n
\n2.2.2 \u8bad\u7ec3\u7b56\u7565<\/h4>\n
![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144514-689ca4fab4f88.png\")
<\/p>\n2.3 \u540e\u8bad\u7ec3（Post-Training）<\/h3>\n
2.3.1 \u6307\u4ee4\u6570\u636e<\/h4>\n
2.3.2 \u6570\u636e\u8fc7\u6ee4Pipeline<\/h4>\n
2.3.3 \u62d2\u7edd\u91c7\u6837（Rejection Sampling）<\/h4>\n
\n2.3.4 \u8bad\u7ec3\u7b56\u7565<\/h4>\n
\n
\n
\n\u4e09\u3001\u5b9e\u9a8c<\/h2>\n
3.3.5 Agent<\/h4>\n
![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2025\/08\/20250813144518-689ca4fea5822.png\")
<\/p>\n