Qwen2-VL
Qwen2-VL е второто семейство vision-language модели на Alibaba Qwen, което чете изображения с всякаква резолюция и текст на много езици.
Версия на Qwen-VL. Други версии: Qwen3-VL, Qwen2.5-VL.
- Издаден
- 29 август 2024 г.
- ID на модела
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Размер
- 2B, 7B и 72B
- Лиценз
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Търси се и като
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Какво е новото в Qwen2-VL
- Naive Dynamic Resolution: изображения с всякаква резолюция и съотношение се преобразуват в съответен брой визуални токени.
- Multimodal Rotary Position Embedding (M-RoPE) за текст, изображения и видео.
- Чете текст в изображения на много езици, включително японски, корейски, арабски и виетнамски.
- Разбира видеа с дължина над 20 минути.
- Може да работи като визуален агент за телефони и роботи.
Бенчмаркове на Qwen2-VL
| Бенчмарк | Резултат | Бележка |
|---|---|---|
| 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 |
Резултати по данни на авторите. Не сме ги проверявали повторно.
Използвайте Qwen2-VL през API
OCRRouter предлага друга версия на Qwen-VL като qwen/qwen-vl.
Версии на Qwen-VL
- Qwen-VL: всички версии, цени, скорост и функции в OCRRouter
- Qwen3-VL (септември и октомври 2025 г.)
- Qwen2.5-VL (28 януари 2025 г. (32B през март 2025 г.))
- Qwen2-VL (29 август 2024 г.), тази страница
Въпроси
Източници
Последна актуализация .