На этой неделе внимание технологической индустрии в основном приковано к китайской лаборатории ИИ DeepSeek, но её главный местный конкурент, Alibaba, не остаётся в тени.
В понедельник команда Qwen от Alibaba представила новое семейство ИИ-моделей Qwen2.5-VL, которые могут выполнять различные задачи по анализу текста и изображений. Эти модели умеют обрабатывать файлы, анализировать видео, считать объекты на изображениях, а также управлять ПК — подобно модели, которая лежит в основе недавно выпущенной функции Operator от OpenAI.
По данным команды Qwen, лучшая модель Qwen2.5-VL обогнала GPT-4 от OpenAI, Claude 3.5 Sonnet от Anthropic и Gemini 2.0 Flash от Google по ряду тестов, включая анализ видео, математику, анализ документов и ответ на вопросы.
Модель Qwen2.5-VL, доступная для тестирования в приложении Qwen Chat от Alibaba и для скачивания на платформе для разработчиков AI Hugging Face, может анализировать графики и диаграммы, извлекать данные из сканов счетов и форм, а также «понимать» видео продолжительностью несколько часов, утверждает команда Qwen. Она также способна распознавать персонажей из фильмов и сериалов, а также широкий ассортимент товаров, что предполагает, что модели могли быть частично обучены на защищённых авторским правом материалах.
Однако, как и другие ИИ-системы, разработанные китайскими компаниями, Qwen2.5-VL имеет ограничения на темы, о которых она может говорить — по крайней мере, в Qwen Chat. Когда я попросил крупнейшую и наиболее мощную модель Qwen2.5-VL, Qwen2.5-VL-72B, поговорить о «ошибках Си Цзиньпина», приложение выдало ошибку.
Китайский интернет-регулятор проводит оценку многих местных моделей, чтобы убедиться, что их ответы соответствуют «основным социалистическим ценностям». Поэтому многие китайские ИИ-системы отказываются отвечать на темы, которые могут вызвать недовольство у регуляторов, например, на вопросы о независимости Тайваня.
Одной из более интересных функций Qwen2.5-VL является её способность взаимодействовать с программным обеспечением — как на ПК, так и на мобильных устройствах. В видео, размещенном на платформе X Филиппом Шмидом, техническим лидером Hugging Face, показано, как Qwen2.5-VL запускает приложение Booking.com для Android и бронирует билет на рейс из Чунцина в Пекин.
На видео ниже модель Qwen2.5-VL управляет приложениями на Linux-десктопе, но, похоже, не делает ничего существенного, кроме как переключает вкладки. Возможно, это объясняется тем, что, согласно результатам тестирования Qwen, модель Qwen2.5-VL плохо справляется с OSWorld — тестом, который пытается имитировать реальную компьютерную среду.
Два меньших и менее сложных модели в серии Qwen2.5-VL — Qwen2.5-VL-3B и Qwen2.5-VL-7B — доступны по свободной лицензии. Однако флагманская модель Qwen2.5-VL-72B использует собственную лицензию Alibaba, которая требует от компаний и разработчиков с более чем 100 миллионами активных пользователей в месяц получить разрешение от Qwen/Alibaba перед коммерческим использованием модели.
Интересуетесь нейросетями? Больше полезных материалов в нашем специальном разделе!
