qwen-vl-max-latest

通义千问VL-Max（qwen-vl-max），即通义千问超大规模视觉语言模型。相比增强版，再次提升视觉推理能力和指令遵循能力，提供更高的视觉感知和认知水平。在更多复杂任务上提供最佳的性能。

应用场景

• 图像问答：描述图像中的内容或者对其进行分类打标，如识别人物、地点、花鸟鱼虫等。
• 数学题目解答：解答图像中的数学问题，适用于中小学、大学以及成人教育阶段。
• 视频理解：分析视频内容，如对具体事件进行定位并获取时间戳，或生成关键时间段的摘要。
• 物体定位：定位图像中的物体，返回外边界矩形框的左上角、右下角坐标或者中心点坐标。
• 文档解析：将图像类的文档（如扫描件/图片PDF）解析为 QwenVL HTML格式，该格式不仅能精准识别文本，还能获取图像、表格等元素的位置信息。
• 文字识别与信息抽取：识别图像中的文字、公式，或者抽取票据、证件、表单中的信息，支持格式化输出文本；可识别的语言有中文、英语、日语、韩语、阿拉伯语、越南语、法语、德语、意大利语、西班牙语和俄语。