/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
71,5 млрд
Размер весов
147 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
4 дек 2024

Qwen2-VL-72B

Изображение и текст → текст9 профессий

Qwen2-VL-72B — базовая мультимодальная модель для анализа изображений и видео и ответов на вопросы по их содержимому.

773скачиваний за 30 дней82лайкавеса обновлены6 дек 2024

Бенчмарки

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

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-72B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Она содержит 71,5 млрд параметров и предназначена для понимания изображений и видео по текстовым запросам, включая визуальные вопросы и ответы, диалог по содержимому видео, анализ документов и создание описаний. Модель не проходила настройку инструкциями, поэтому для диалоговых сценариев может потребоваться дополнительная настройка.

Архитектура — плотная Qwen2-VL с классом Qwen2VLForConditionalGeneration. Она обрабатывает изображения произвольного разрешения с динамическим числом визуальных токенов и использует M-ROPE для позиционной информации текста, изображений и видео. Видеосценарии включают анализ роликов длительностью более 20 минут. Контекст — до 32 768 токенов. Модель понимает текст на изображениях на английском, китайском и ряде других языков, включая европейские языки, японский, корейский, арабский и вьетнамский.

Модель подходит для визуального анализа и мультимодальных сценариев, однако заявленные высокие результаты приведены в карточке без подробностей об условиях оценки. Для запуска потребуется значительный объём вычислительных ресурсов из-за размера модели. Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение и понимание текста в документах и на изображениях
  • ответы на вопросы по длинным видеороликам
  • диалог и создание описаний по содержимому видео
  • визуальное управление мобильными устройствами и роботами по текстовым инструкциям

Ограничения

Это базовая модель без настройки инструкциями, поэтому качество следования диалогу и запросам может быть ограничено. Для запуска 72-миллиардной модели нужны значительные вычислительные ресурсы; условия лицензии other следует уточнить в репозитории.

Для каких профессий подходит9

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-72B

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-72B 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 72B 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

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
123bc2f

0 моделей