Qwen2-VL
Qwen2-VL to druga rodzina modeli wizyjno-językowych Alibaba Qwen, czytająca obrazy w dowolnej rozdzielczości i tekst w wielu językach.
Wydanie modelu Qwen-VL. Inne wersje: Qwen3-VL, Qwen2.5-VL.
- Wydano
- 29 sierpnia 2024
- ID modelu
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Rozmiar
- 2B, 7B i 72B
- Licencja
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Wyszukiwany też jako
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Co nowego w Qwen2-VL
- Naive Dynamic Resolution: obrazy o dowolnej rozdzielczości i proporcjach mapowane na odpowiednią liczbę tokenów wizualnych.
- Multimodal Rotary Position Embedding (M-RoPE) dla tekstu, obrazów i wideo.
- Czyta tekst na obrazach w wielu językach, w tym japońskim, koreańskim, arabskim i wietnamskim.
- Rozumie filmy dłuższe niż 20 minut.
- Może działać jako agent wizualny dla telefonów i robotów.
Benchmarki Qwen2-VL
| Benchmark | Wynik | Uwagi |
|---|---|---|
| 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 |
Wyniki podane przez autorów. Nie powtarzaliśmy pomiarów.
Używaj Qwen2-VL przez API
OCRRouter udostępnia inne wydanie Qwen-VL jako qwen/qwen-vl.
Wersje Qwen-VL
- Qwen-VL: wszystkie wersje, ceny, szybkość i funkcje w OCRRouter
- Qwen3-VL (wrzesień i październik 2025)
- Qwen2.5-VL (28 stycznia 2025 (32B w marcu 2025))
- Qwen2-VL (29 sierpnia 2024), ta strona
Pytania
Źródła
Ostatnia aktualizacja .