Qwen2-VL
Qwen2-VL ir Alibaba Qwen otrā vision-language modeļu saime, kas lasa jebkuras izšķirtspējas attēlus un tekstu daudzās valodās.
Laidiens modelim Qwen-VL. Citas versijas: Qwen3-VL, Qwen2.5-VL.
- Izlaists
- 2024. gada 29. augustā
- Modeļa ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Izmērs
- 2B, 7B un 72B
- Licence
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Meklē arī kā
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Kas jauns Qwen2-VL
- Naive Dynamic Resolution: jebkuras izšķirtspējas un malu attiecības attēli tiek attēloti atbilstošā vizuālo tokenu skaitā.
- Multimodal Rotary Position Embedding (M-RoPE) tekstam, attēliem un video.
- Lasa tekstu attēlos daudzās valodās, tostarp japāņu, korejiešu, arābu un vjetnamiešu.
- Saprot video, kas garāki par 20 minūtēm.
- Var darboties kā vizuālais aģents telefoniem un robotiem.
Qwen2-VL etaloni
| Etalons | Rezultāts | Piezīme |
|---|---|---|
| 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 |
Rezultāti, kā tos publicējuši autori. Mēs tos neesam atkārtojuši.
Izmantojiet Qwen2-VL caur API
OCRRouter darbina citu Qwen-VL laidienu kā qwen/qwen-vl.
Qwen-VL versijas
- Qwen-VL: visas versijas, cena, ātrums un funkcijas vietnē OCRRouter
- Qwen3-VL (2025. gada septembrī un oktobrī)
- Qwen2.5-VL (2025. gada 28. janvārī (32B 2025. gada martā))
- Qwen2-VL (2024. gada 29. augustā), šī lapa
Jautājumi
Avoti
Pēdējo reizi atjaunināts .