Qwen2-VL
Qwen2-VL er Alibaba Qwens anden familie af vision-language-modeller, der læser billeder i enhver opløsning og tekst på mange sprog.
En version af Qwen-VL. Andre versioner: Qwen3-VL, Qwen2.5-VL.
- Udgivet
- 29. august 2024
- Model-ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Størrelse
- 2B, 7B og 72B
- Licens
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Søges også som
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Nyt i Qwen2-VL
- Naive Dynamic Resolution: billeder i enhver opløsning og ethvert billedformat mappes til et tilsvarende antal visuelle tokens.
- Multimodal Rotary Position Embedding (M-RoPE) til tekst, billeder og video.
- Læser tekst i billeder på mange sprog, bl.a. japansk, koreansk, arabisk og vietnamesisk.
- Forstår videoer på over 20 minutter.
- Kan fungere som visuel agent for telefoner og robotter.
Benchmarks for Qwen2-VL
| Benchmark | Score | Note |
|---|---|---|
| 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 |
Scorer som offentliggjort af forfatterne. Vi har ikke kørt dem igen.
Brug Qwen2-VL via et API
OCRRouter kører en anden version af Qwen-VL som qwen/qwen-vl.
Versioner af Qwen-VL
- Qwen-VL: alle versioner, pris, hastighed og funktioner på OCRRouter
- Qwen3-VL (september og oktober 2025)
- Qwen2.5-VL (28. januar 2025 (32B i marts 2025))
- Qwen2-VL (29. august 2024), denne side
Spørgsmål
Kilder
Senest opdateret .