Qwen2-VL
Qwen2-VL Alibaba Qwen-in ikinci vision-language model ailəsidir; istənilən ölçülü şəkilləri və çoxlu dildə mətni oxuyur.
Buraxılışı: Qwen-VL. Digər versiyalar: Qwen3-VL, Qwen2.5-VL.
- Buraxılış
- 29 avqust 2024
- Model ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Ölçü
- 2B, 7B və 72B
- Lisenziya
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Həmçinin belə axtarılır
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Qwen2-VL modelində nə yenidir
- Naive Dynamic Resolution: istənilən ölçü və nisbətli şəkillər uyğun sayda vizual tokenə çevrilir.
- Mətn, şəkil və video üçün Multimodal Rotary Position Embedding (M-RoPE).
- Şəkillərdəki mətni yapon, koreya, ərəb və vyetnam daxil çoxlu dildə oxuyur.
- 20 dəqiqədən uzun videoları anlayır.
- Telefonlar və robotlar üçün vizual agent kimi işləyə bilər.
Qwen2-VL benchmarkları
| Benchmark | Nəticə | Qeyd |
|---|---|---|
| DocVQA (test) | 94.5 | Qwen2-VL-7B. InternVL2-8B: 91.6 |
| TextVQA (val) | 84.3 | Qwen2-VL-7B |
| OCRBench | 845 | Qwen2-VL-7B. GPT-4o-mini: 785 |
| InfoVQA (test) | 76.5 | Qwen2-VL-7B |
Nəticələr müəlliflərin dərc etdiyi kimidir. Biz onları təkrar yoxlamamışıq.
Qwen2-VL modelini API ilə istifadə edin
OCRRouter Qwen-VL modelinin başqa buraxılışını qwen/qwen-vl kimi işlədir.
Qwen-VL versiyaları
- Qwen-VL: OCRRouter saytında bütün versiyalar, qiymət, sürət və funksiyalar
- Qwen3-VL (sentyabr və oktyabr 2025)
- Qwen2.5-VL (28 yanvar 2025 (32B mart 2025-də))
- Qwen2-VL (29 avqust 2024), bu səhifə
Suallar
Mənbələr
Son yenilənmə .