/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
4,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
5 сен 2024

Qwen2-VL-2B

Изображение и текст → текст6 профессий

Базовая мультимодальная модель Qwen для понимания изображений и видео по текстовым запросам и дальнейшей адаптации.

2 304скачиваний за 30 дней68лайковвеса обновлены6 дек 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Qwen2-VL-2B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Это версия без настройки инструкциями; она предназначена для дальнейшей адаптации и задач понимания изображений и видео по текстовым запросам. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Для обработки изображений применяется динамическое разрешение, а позиционное кодирование M-ROPE учитывает текстовые, двумерные визуальные и трёхмерные видеоданные.

Модель подходит для ответов на вопросы по изображениям и видео, визуального диалога, понимания документов и текста на изображениях, а также сценариев, где визуальные наблюдения сочетаются с текстовыми инструкциями. В карточке заявлена поддержка английского и китайского языков, а также распознавания текста на изображениях на многих других языках. Модель доступна в формате Safetensors для библиотеки Transformers и распространяется по лицензии Apache-2.0. Поскольку это базовая версия без настройки инструкциями, готовое диалоговое поведение и качество следования пользовательским запросам могут быть ограничены.

Сценарии применения

  • ответы на вопросы по изображениям
  • анализ видеороликов по текстовому запросу
  • извлечение и понимание текста на изображениях
  • визуальный диалог по содержимому сцены
  • подготовка мультимодальной модели к дальнейшему дообучению

Ограничения

Это базовая модель без настройки инструкциями, поэтому её готовность к диалогу и следованию запросам может быть ограничена. Заявления о качестве на бенчмарках приведены в карточке модели; независимые результаты здесь не оценивались.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2-VL-2B

Introduction

We're excited to unveil Qwen2-VL, the latest iteration of our Qwen-VL model, representing nearly a year of innovation.

[!Important] This is the base pretrained model of Qwen2-VL-2B without instruction tuning.

What’s New in Qwen2-VL?

Key Enhancements:

  • SoTA understanding of images of various resolution & ratio: Qwen2-VL achieves state-of-the-art performance on visual understanding benchmarks, including MathVista, DocVQA, RealWorldQA, MTVQA, etc.
  • Understanding videos of 20min+: Qwen2-VL can understand videos over 20 minutes for high-quality video-based question answering, dialog, content creation, etc.
  • Agent that can operate your mobiles, robots, etc.: with the abilities of complex reasoning and decision making, Qwen2-VL can be integrated with devices like mobile phones, robots, etc., for automatic operation based on visual environment and text instructions.
  • Multilingual Support: to serve global users, besides English and Chinese, Qwen2-VL now supports the understanding of texts in different languages inside images, including most European languages, Japanese, Korean, Arabic, Vietnamese, etc.

Model Architecture Updates:

  • Naive Dynamic Resolution: Unlike before, Qwen2-VL can handle arbitrary image resolutions, mapping them into a dynamic number of visual tokens, offering a more human-like visual processing experience.
  • Multimodal Rotary Position Embedding (M-ROPE): Decomposes positional embedding into parts to capture 1D textual, 2D visual, and 3D video positional information, enhancing its multimodal processing capabilities.

We have three models with 2, 7 and 72 billion parameters.

This repo contains the pretrained 2B Qwen2-VL model.

For more information, visit our Blog and GitHub.

Requirements

The code of Qwen2-VL has been in the latest Hugging Face transformers and we advise you to install the latest version with command pip install -U transformers, or you might encounter the following error:

KeyError: 'qwen2_vl'

Citation

If you find our work helpful, feel free to give us a cite.

@article{Qwen2-VL,
  title={Qwen2-VL: Enhancing Vision-Language Model's Perception of the World at Any Resolution}, 
  author={Peng Wang and Shuai Bai and Sinan Tan and Shijie Wang and Zhihao Fan and Jinze Bai and Keqin Chen and Xuejing Liu and Jialin Wang and Wenbin Ge and Yang Fan and Kai Dang and Mengfei Du and Xuancheng Ren and Rui Men and Dayiheng Liu and Chang Zhou and Jingren Zhou and Junyang Lin},
  journal={arXiv preprint arXiv:2409.12191},
  year={2024}
}

@article{Qwen-VL,
  title={Qwen-VL: A Versatile Vision-Language Model for Understanding, Localization, Text Reading, and Beyond},
  author={Bai, Jinze and Bai, Shuai and Yang, Shusheng and Wang, Shijie and Tan, Sinan and Wang, Peng and Lin, Junyang and Zhou, Chang and Zhou, Jingren},
  journal={arXiv preprint arXiv:2308.12966},
  year={2023}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
d3a53f2

0 моделей