Qwen2-VL
Qwen2-VL je druga Alibaba Qwen obitelj vision-language modela koja čita slike u bilo kojoj rezoluciji i tekst na mnogim jezicima.
Izdanje modela Qwen-VL. Druge verzije: Qwen3-VL, Qwen2.5-VL.
- Objavljeno
- 29. kolovoza 2024.
- ID modela
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Veličina
- 2B, 7B i 72B
- Licenca
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Traži se i kao
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Što je novo u Qwen2-VL
- Naive Dynamic Resolution: slike bilo koje rezolucije i omjera stranica preslikavaju se u odgovarajući broj vizualnih tokena.
- Multimodal Rotary Position Embedding (M-RoPE) za tekst, slike i video.
- Čita tekst na slikama na mnogim jezicima, uključujući japanski, korejski, arapski i vijetnamski.
- Razumije videozapise dulje od 20 minuta.
- Može raditi kao vizualni agent za telefone i robote.
Qwen2-VL benchmarkovi
| Benchmark | Rezultat | Napomena |
|---|---|---|
| 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 |
Rezultati koje su objavili autori. Nismo ih ponovno pokretali.
Koristite Qwen2-VL putem API-ja
OCRRouter pokreće drugo izdanje modela Qwen-VL kao qwen/qwen-vl.
Qwen-VL verzije
- Qwen-VL: sve verzije, cijene, brzina i značajke na OCRRouter
- Qwen3-VL (rujan i listopad 2025.)
- Qwen2.5-VL (28. siječnja 2025. (32B u ožujku 2025.))
- Qwen2-VL (29. kolovoza 2024.), ova stranica
Pitanja
Izvori
Zadnje ažuriranje .