Qwen2.5-VL-72B-Instruct: вопросы к изображению и видео

Официальная карточка Qwen2.5-VL-72B-Instruct описывает анализ текстов, графиков, значков и расположения элементов внутри изображения, а также структурированный вывод по сканам форм и таблиц. Это полезно для испытания визуального извлечения, но его следует проверять по оригиналу. Например, на разрешённом скане счёта можно попросить назвать номер, дату, сумму и валюту с пометкой неразборчивых полей. Дальше отдельно сравнить каждое значение с документом; валидный JSON без верных цифр не является успехом. На русском материале нужны документы с кириллицей, печатями, наклонёнными строками и мелким шрифтом. Card не позволяет обещать абсолютную точность OCR или юридическую пригодность результата. Для рабочего процесса потребуется ручное подтверждение критичных полей.

Карточка сообщает о локализации видимых объектов рамками и точками, а также о поиске моментов в видеопоследовательности. Проверочный сценарий для скриншота может требовать координаты кнопки и объяснение, почему она выбрана; затем координаты сравнивают с разметкой. Для видео нужно заранее задать событие с известным временем и проверить, нашёл ли его именно этот запуск с данным способом выборки кадров. Заявление разработчика о длительном видео не доказывает одинаковую точность на каждом ролике и любом хосте. Результат модели — объяснение, структура или координаты, а не созданная или отредактированная картинка. Кнопка «создать изображение» для этого exact ID была бы ошибкой классификации. Старый Qwen2-VL-7B-Instruct и Omni-3B также не являются его алиасами.

HF помечает этот репозиторий лицензией qwen, а не Apache-2.0. Полный LICENSE следует прочитать перед коммерческим использованием весов. Отдельно нужно иметь право обрабатывать загружаемые счета, фотографии и видеозаписи, особенно если они содержат персональные данные. Наличие официальных файлов и инструкции запуска не подтверждает публичный API Alibaba именно для Qwen/Qwen2.5-VL-72B-Instruct и не определяет цену обработки кадра. Большой 72B checkpoint потребует существенной инфраструктуры; задержка зависит также от числа и размера изображений. Здесь не выдуманы тариф, доступность из России, AA-балл или качество русского OCR. Архивная запись даёт точную идентичность и сценарии проверки, не подменяя их обещанием готового сервиса.