Qwen2-VL
Qwen2-VL යනු Alibaba Qwen හි දෙවන vision-language මාදිලි පවුලයි, ඕනෑම විභේදනයක රූප සහ බොහෝ භාෂාවල පෙළ කියවයි.
නිකුතුවක්: Qwen-VL. වෙනත් අනුවාද: Qwen3-VL, Qwen2.5-VL.
- නිකුත් කළ දිනය
- 2024 අගෝස්තු 29
- මාදිලි ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- ප්රමාණය
- 2B, 7B සහ 72B
- බලපත්රය
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- සෙවුම් වෙනත් නම්
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Qwen2-VL හි අලුත් දේ
- Naive Dynamic Resolution: ඕනෑම විභේදනයක සහ දර්ශන අනුපාතයක රූප ගැළපෙන දෘශ්ය token ගණනකට සිතියම් කරයි.
- පෙළ, රූප සහ වීඩියෝ සඳහා Multimodal Rotary Position Embedding (M-RoPE).
- ජපන්, කොරියානු, අරාබි සහ වියට්නාම ඇතුළු බොහෝ භාෂාවලින් රූපවල පෙළ කියවයි.
- මිනිත්තු 20කට වඩා දිගු වීඩියෝ තේරුම් ගනී.
- දුරකථන සහ රොබෝ සඳහා දෘශ්ය agent එකක් ලෙස ක්රියා කළ හැක.
Qwen2-VL benchmark
| Benchmark | ලකුණු | සටහන |
|---|---|---|
| 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 |
කතුවරුන් ප්රකාශ කළ ලකුණු. අපි ඒවා නැවත ධාවනය කර නැත.
Qwen2-VL API හරහා භාවිත කරන්න
OCRRouter Qwen-VL හි වෙනත් නිකුතුවක් qwen/qwen-vl ලෙස ධාවනය කරයි.
Qwen-VL අනුවාද
- Qwen-VL: OCRRouter හි සියලු අනුවාද, මිල, වේගය සහ විශේෂාංග
- Qwen3-VL (2025 සැප්තැම්බර් සහ ඔක්තෝබර්)
- Qwen2.5-VL (2025 ජනවාරි 28 (32B 2025 මාර්තුවේ))
- Qwen2-VL (2024 අගෝස්තු 29), මෙම පිටුව
ප්රශ්න
මූලාශ්ර
අවසන් යාවත්කාලීන කිරීම .