Qwen2-VL
Qwen2-VL — друга родина візуально-мовних моделей Alibaba Qwen. Читає зображення будь-якої роздільності й текст багатьма мовами.
Реліз моделі Qwen-VL. Інші версії: Qwen3-VL, Qwen2.5-VL.
- Дата виходу
- 29 серпня 2024
- ID моделі
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- Розмір
- 2B, 7B і 72B
- Ліцензія
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- Також шукають як
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Що нового в Qwen2-VL
- Naive Dynamic Resolution: зображення будь-якої роздільності та співвідношення сторін перетворюються на відповідну кількість візуальних токенів.
- Multimodal Rotary Position Embedding (M-RoPE) для тексту, зображень і відео.
- Читає текст на зображеннях багатьма мовами, зокрема японською, корейською, арабською та в'єтнамською.
- Розуміє відео тривалістю понад 20 хвилин.
- Може працювати візуальним агентом для телефонів і роботів.
Бенчмарки Qwen2-VL
| Бенчмарк | Результат | Примітка |
|---|---|---|
| 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 |
Результати в тому вигляді, в якому їх опублікували автори. Ми їх не перевіряли.
Використання Qwen2-VL через API
OCRRouter запускає інший реліз Qwen-VL як qwen/qwen-vl.
Версії Qwen-VL
- Qwen-VL: усі версії, ціни, швидкість і можливості на OCRRouter
- Qwen3-VL (вересень і жовтень 2025)
- Qwen2.5-VL (28 січня 2025 (32B — у березні 2025))
- Qwen2-VL (29 серпня 2024), ця сторінка
Запитання
Джерела
Оновлено .