Qwen2-VL
Qwen2-VL је друга Alibaba Qwen породица vision-language модела која чита слике у било којој резолуцији и текст на многим језицима.
Издање модела Qwen-VL. Друге верзије: Qwen3-VL, Qwen2.5-VL.
- Објављено
- 29. август 2024.
- ID модела
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Величина
- 2B, 7B и 72B
- Лиценца
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Тражи се и као
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Шта је ново у Qwen2-VL
- Naive Dynamic Resolution: слике било које резолуције и односа страница пресликавају се у одговарајући број визуелних токена.
- Multimodal Rotary Position Embedding (M-RoPE) за текст, слике и видео.
- Чита текст на сликама на многим језицима, укључујући јапански, корејски, арапски и вијетнамски.
- Разуме видео снимке дуже од 20 минута.
- Може да ради као визуелни агент за телефоне и роботе.
Qwen2-VL бенчмаркови
| Бенчмарк | Резултат | Напомена |
|---|---|---|
| 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 које су објавили аутори. Нисмо их поново покретали.
Користите Qwen2-VL преко API-ја
OCRRouter покреће друго издање модела Qwen-VL као qwen/qwen-vl.
Qwen-VL верзије
- Qwen-VL: све верзије, цене, брзина и функције на OCRRouter
- Qwen3-VL (септембар и октобар 2025.)
- Qwen2.5-VL (28. јануар 2025. (32B у марту 2025.))
- Qwen2-VL (29. август 2024.), ова страница
Питања
Извори
Последње ажурирање .