Qwen2-VL
Qwen2-VL হলো Alibaba Qwen-এর দ্বিতীয় ভিশন-ল্যাঙ্গুয়েজ মডেল পরিবার, যা যেকোনো রেজোলিউশনের ছবি ও বহু ভাষার টেক্সট পড়ে।
যার একটি রিলিজ Qwen-VL. অন্যান্য ভার্সন: Qwen3-VL, Qwen2.5-VL.
- রিলিজ
- 29 আগস্ট 2024
- মডেল ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- আকার
- 2B, 7B ও 72B
- লাইসেন্স
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- এই নামেও খোঁজা হয়
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Qwen2-VL-এ নতুন কী
- Naive Dynamic Resolution: যেকোনো রেজোলিউশন ও অনুপাতের ছবি সেই অনুযায়ী ভিজ্যুয়াল টোকেনে রূপান্তরিত হয়।
- টেক্সট, ছবি ও ভিডিওর জন্য Multimodal Rotary Position Embedding (M-RoPE)।
- জাপানি, কোরীয়, আরবি ও ভিয়েতনামিসহ বহু ভাষায় ছবির টেক্সট পড়ে।
- 20 মিনিটের বেশি লম্বা ভিডিও বোঝে।
- ফোন ও রোবটের জন্য ভিজ্যুয়াল এজেন্ট হিসেবে কাজ করতে পারে।
Qwen2-VL বেঞ্চমার্ক
| বেঞ্চমার্ক | স্কোর | নোট |
|---|---|---|
| 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 |
স্কোরগুলো লেখকদের প্রকাশিত। আমরা নিজেরা আবার চালাইনি।
API দিয়ে Qwen2-VL ব্যবহার করুন
OCRRouter Qwen-VL-এর একটি ভিন্ন রিলিজ qwen/qwen-vl হিসেবে চালায়।
Qwen-VL ভার্সন
- Qwen-VL: OCRRouter-এ সব ভার্সন, দাম, গতি ও ফিচার
- Qwen3-VL (সেপ্টেম্বর ও অক্টোবর 2025)
- Qwen2.5-VL (28 জানুয়ারি 2025 (32B মার্চ 2025-এ))
- Qwen2-VL (29 আগস্ট 2024), এই পৃষ্ঠা
প্রশ্ন
সূত্র
সর্বশেষ আপডেট .