Qwen2-VL
Qwen2-VL ist die zweite Vision-Language-Modellfamilie von Alibaba Qwen und liest Bilder in jeder Auflösung sowie Text in vielen Sprachen.
Eine Version von Qwen-VL. Weitere Versionen: Qwen3-VL, Qwen2.5-VL.
- Veröffentlicht
- 29. August 2024
- Modell-ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Größe
- 2B, 7B und 72B
- Lizenz
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Auch gesucht als
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Neu in Qwen2-VL
- Naive Dynamic Resolution: Bilder jeder Auflösung und jedes Seitenverhältnisses werden auf eine passende Anzahl visueller Tokens abgebildet.
- Multimodal Rotary Position Embedding (M-RoPE) für Text, Bilder und Video.
- Liest Text in Bildern in vielen Sprachen, darunter Japanisch, Koreanisch, Arabisch und Vietnamesisch.
- Versteht Videos mit über 20 Minuten Länge.
- Kann als visueller Agent für Smartphones und Roboter dienen.
Qwen2-VL Benchmarks
| Benchmark | Wert | Hinweis |
|---|---|---|
| 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 |
Werte wie von den Autoren veröffentlicht. Wir haben sie nicht nachgemessen.
Qwen2-VL über eine API nutzen
OCRRouter bietet eine andere Version von Qwen-VL als qwen/qwen-vl an.
Qwen-VL Versionen
- Qwen-VL: alle Versionen, Preise, Geschwindigkeit und Funktionen auf OCRRouter
- Qwen3-VL (September und Oktober 2025)
- Qwen2.5-VL (28. Januar 2025 (32B im März 2025))
- Qwen2-VL (29. August 2024), diese Seite
Fragen
Quellen
Zuletzt aktualisiert .