Qwen2-VL
Qwen2-VL är Alibaba Qwens andra familj av vision-language-modeller, som läser bilder i valfri upplösning och text på många språk.
En version av Qwen-VL. Andra versioner: Qwen3-VL, Qwen2.5-VL.
- Släppt
- 29 augusti 2024
- Modell-ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Storlek
- 2B, 7B och 72B
- Licens
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Söks även som
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Nytt i Qwen2-VL
- Naive Dynamic Resolution: bilder i valfri upplösning och bildformat mappas till ett motsvarande antal visuella tokens.
- Multimodal Rotary Position Embedding (M-RoPE) för text, bilder och video.
- Läser text i bilder på många språk, bland annat japanska, koreanska, arabiska och vietnamesiska.
- Förstår videor längre än 20 minuter.
- Kan fungera som visuell agent för telefoner och robotar.
Benchmarks för Qwen2-VL
| Benchmark | Resultat | Not |
|---|---|---|
| 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 |
Resultat enligt författarna. Vi har inte kört om dem.
Använd Qwen2-VL via ett API
OCRRouter kör en annan version av Qwen-VL som qwen/qwen-vl.
Versioner av Qwen-VL
- Qwen-VL: alla versioner, pris, hastighet och funktioner på OCRRouter
- Qwen3-VL (september och oktober 2025)
- Qwen2.5-VL (28 januari 2025 (32B i mars 2025))
- Qwen2-VL (29 augusti 2024), den här sidan
Frågor
Källor
Senast uppdaterad .