Qwen2-VL
Qwen2-VL е втората фамилија vision-language модели на Alibaba Qwen, што чита слики во секоја резолуција и текст на многу јазици.
Издание на Qwen-VL. Други верзии: Qwen3-VL, Qwen2.5-VL.
- Објавен
- 29 август 2024
- ID на моделот
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Големина
- 2B, 7B и 72B
- Лиценца
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Се пребарува и како
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Што е ново во Qwen2-VL
- Naive Dynamic Resolution: слики со секоја резолуција и сооднос се мапираат во соодветен број визуелни токени.
- Multimodal Rotary Position Embedding (M-RoPE) за текст, слики и видео.
- Чита текст во слики на многу јазици, вклучително јапонски, корејски, арапски и виетнамски.
- Разбира видеа подолги од 20 минути.
- Може да работи како визуелен агент за телефони и роботи.
Бенчмарки за Qwen2-VL
| Бенчмарк | Резултат | Забелешка |
|---|---|---|
| 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 |
Резултати според авторите. Не сме ги повториле.
Користете го Qwen2-VL преку API
OCRRouter извршува друго издание на Qwen-VL како qwen/qwen-vl.
Верзии на Qwen-VL
- Qwen-VL: сите верзии, цена, брзина и функции на OCRRouter
- Qwen3-VL (септември и октомври 2025)
- Qwen2.5-VL (28 јануари 2025 (32B во март 2025))
- Qwen2-VL (29 август 2024), оваа страница
Прашања
Извори
Последно ажурирано .