Qwen2-VL
Qwen2-VL คือตระกูลโมเดล vision-language ตัวที่สองของ Alibaba Qwen อ่านภาพได้ทุกความละเอียดและข้อความได้หลายภาษา
รุ่นหนึ่งของ Qwen-VL. รุ่นอื่น: Qwen3-VL, Qwen2.5-VL.
- วันที่เปิดตัว
- 29 สิงหาคม 2024
- Model ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- ขนาด
- 2B, 7B และ 72B
- ไลเซนส์
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- ชื่ออื่นที่ใช้ค้นหา
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Qwen2-VL มีอะไรใหม่
- Naive Dynamic Resolution: ภาพทุกความละเอียดและสัดส่วนถูกแปลงเป็นจำนวน visual token ที่สอดคล้องกัน
- Multimodal Rotary Position Embedding (M-RoPE) สำหรับข้อความ ภาพ และวิดีโอ
- อ่านข้อความในภาพได้หลายภาษา รวมถึงญี่ปุ่น เกาหลี อาหรับ และเวียดนาม
- เข้าใจวิดีโอที่ยาวกว่า 20 นาที
- ทำหน้าที่เป็น visual agent สำหรับโทรศัพท์และหุ่นยนต์ได้
ผลเบนช์มาร์กของ Qwen2-VL
| เบนช์มาร์ก | คะแนน | หมายเหตุ |
|---|---|---|
| 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 |
คะแนนตามที่ผู้พัฒนาเผยแพร่ เรายังไม่ได้ทดสอบซ้ำ
ใช้ Qwen2-VL ผ่าน API
OCRRouter ให้บริการ Qwen-VL รุ่นอื่นในชื่อ qwen/qwen-vl
รุ่นต่างๆ ของ Qwen-VL
- Qwen-VL: ทุกรุ่น ราคา ความเร็ว และฟีเจอร์บน OCRRouter
- Qwen3-VL (กันยายนและตุลาคม 2025)
- Qwen2.5-VL (28 มกราคม 2025 (32B ในเดือนมีนาคม 2025))
- Qwen2-VL (29 สิงหาคม 2024), หน้านี้
คำถาม
แหล่งที่มา
อัปเดตล่าสุด .