阿里国际推出了Ovis2.5多模态大模型，引领视觉识别与高级推理技术新突破

阿里国际 AI 团队于 2025 年 8 月 26 日正式发布新一代多模态大模型 Ovis2.5，在视觉感知与深度推理能力上取得显著突破。

核心亮点

1. 原生分辨率视觉感知：
   通过集成原生分辨率视觉编码器（NaViT），Ovis2.5 能够直接处理任意分辨率的图像，避免传统“切图-拼接”带来的信息损失，使模型可以完整捕捉宏观布局与微小细节，为复杂场景下的深度推理奠定基础

   。

2. 深度推理“思考模式”：
   引入包含自我检查与修正环节的长链思考训练，模型在推理时可选择开启“思考模式”，主动生成中间步骤并修正推理过程，显著提升数学推理、复杂图表分析等任务的准确率

   。

3. 攻克复杂图表难题：
   通过数据端（新增高质量图表、OCR 数据）、视觉端（原生分辨率编码器）和推理端（深度思考能力）三重增强，Ovis2.5 在复杂图表理解、OCR 等任务上表现优异，在 OCRBench v2 和 ChartQA Pro 等基准测试中超越 GPT-4o 并创下开源模型最佳纪录

   。

性能表现

• Ovis2.5-9B：在 OpenCompass 多模态基准测试中综合得分 78.3，在 40B 参数以下开源模型中领先

  。

• Ovis2.5-2B：以更小模型尺寸取得 73.9 分，延续“小身板、大能量”的设计理念

  。

应用场景

Ovis2.5 的推理与理解能力适用于多种实际场景，包括：

• 快递分拣：识别面单信息并以 JSON 格式输出，提升物流效率

  。

• 自动驾驶：处理多模态信息，精准感知环境并作出决策

  。

• 教育领域：看图解答高中函数题，分析图表和知识推理

  。

技术架构与训练策略

• 架构升级：采用原生分辨率视觉 Transformer（NaViT），结合旋转位置编码（RoPE），提升空间感知能力；语言模型升级为 Qwen3，增强多模态推理

  。

• 五阶段训练流程：包括视觉预训练、多模态预训练、指令微调、直接偏好优化（DPO）和强化学习（GRPO），实现 3-4 倍训练加速

  。