Qwen2-VL
Qwen2-VL دومین خانواده مدلهای بینایی-زبان Alibaba Qwen است که تصاویر را با هر وضوحی و متن را به زبانهای زیادی میخواند.
نسخهای از Qwen-VL. نسخههای دیگر: Qwen3-VL, Qwen2.5-VL.
- تاریخ انتشار
- 29 اوت 2024
- شناسه مدل
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- اندازه
- 2B، 7B و 72B
- مجوز
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- جستجو شده با نام
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
چه چیزی در Qwen2-VL جدید است
- Naive Dynamic Resolution: تصاویر با هر وضوح و نسبت ابعاد به تعداد متناسبی توکن بصری نگاشت میشوند.
- Multimodal Rotary Position Embedding (M-RoPE) برای متن، تصویر و ویدیو.
- متن داخل تصاویر را به زبانهای زیادی میخواند، از جمله ژاپنی، کرهای، عربی و ویتنامی.
- ویدیوهای بیش از 20 دقیقه را درک میکند.
- میتواند بهعنوان عامل بصری برای گوشی و ربات عمل کند.
بنچمارکهای Qwen2-VL
| بنچمارک | امتیاز | توضیح |
|---|---|---|
| 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 |
امتیازها همانطور که نویسندگان منتشر کردهاند. ما آنها را دوباره اجرا نکردهایم.
استفاده از Qwen2-VL از طریق API
OCRRouter نسخه دیگری از Qwen-VL را با شناسه qwen/qwen-vl اجرا میکند.
نسخههای Qwen-VL
- Qwen-VL: همه نسخهها، قیمت، سرعت و امکانات در OCRRouter
- Qwen3-VL (سپتامبر و اکتبر 2025)
- Qwen2.5-VL (28 ژانویه 2025 (32B در مارس 2025))
- Qwen2-VL (29 اوت 2024), این صفحه
پرسشها
منابع
آخرین بهروزرسانی .