Qwen2-VL
Qwen2-VL، Alibaba Qwen کی دوسری وژن لینگویج ماڈل فیملی ہے، جو کسی بھی ریزولوشن کی تصاویر اور کئی زبانوں کا متن پڑھتی ہے۔
اس کا ایک ریلیز Qwen-VL. دیگر ورژن: Qwen3-VL, Qwen2.5-VL.
- ریلیز
- 29 اگست 2024
- ماڈل ID
- Qwen/Qwen2-VL-2B-Instruct, Qwen/Qwen2-VL-7B-Instruct, Qwen/Qwen2-VL-72B-Instruct
- سائز
- 2B، 7B اور 72B
- لائسنس
- Apache-2.0 for 2B and 7B. 72B was first offered only through an API
- اس نام سے بھی تلاش کیا جاتا ہے
- qwen2-vl, qwen2 vl, Qwen2-VL-7B-Instruct
Qwen2-VL میں نیا کیا ہے
- Naive Dynamic Resolution: کسی بھی ریزولوشن اور تناسب کی تصاویر اسی حساب سے بصری ٹوکنز میں بدلتی ہیں۔
- متن، تصاویر اور ویڈیو کے لیے Multimodal Rotary Position Embedding (M-RoPE)۔
- جاپانی، کوریائی، عربی اور ویتنامی سمیت کئی زبانوں میں تصاویر کا متن پڑھتا ہے۔
- 20 منٹ سے لمبی ویڈیوز سمجھتا ہے۔
- فونز اور روبوٹس کے لیے بصری ایجنٹ کے طور پر کام کر سکتا ہے۔
Qwen2-VL بینچ مارکس
| بینچ مارک | اسکور | نوٹ |
|---|---|---|
| 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 |
اسکور مصنفین کے شائع کردہ ہیں۔ ہم نے انہیں دوبارہ نہیں چلایا۔
Qwen2-VL کو API کے ذریعے استعمال کریں
OCRRouter Qwen-VL کا ایک مختلف ریلیز qwen/qwen-vl کے طور پر چلاتا ہے۔
Qwen-VL ورژن
- Qwen-VL: OCRRouter پر تمام ورژن، قیمت، رفتار اور خصوصیات
- Qwen3-VL (ستمبر اور اکتوبر 2025)
- Qwen2.5-VL (28 جنوری 2025 (32B مارچ 2025 میں))
- Qwen2-VL (29 اگست 2024), یہ صفحہ
سوالات
ذرائع
آخری اپ ڈیٹ .