Qwen2-VL-72B是Qwen-VL模型的最新迭代，代表了近一年的創新成果。該模型在視覺理解基準測試中取得了最新的性能，包括MathVista、DocVQA、RealWorldQA、MTVQA等。它能夠理解超過20分鐘的視頻，並可以集成到手機、機器人等設備中，進行基於視覺環境和文本指令的自動操作。除了英語和中文，Qwen2-VL現在還支持圖像中不同語言文本的理解，包括大多數歐洲語言、日語、韓語、阿拉伯語、越南語等。模型架構更新包括Naive Dynamic Resolution和Multimodal Rotary Position Embedding (M-ROPE)，增強了其多模態處理能力。