/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
5 сен 2024

Qwen2-VL-7B

Изображение и текст → текст11 профессий

Qwen2-VL-7B — мультимодальная базовая модель для понимания изображений и видео и ответа на вопросы о визуальном содержимом.

964скачиваний за 30 дней72лайкавеса обновлены12 янв 2025

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-7B — базовая предварительно обученная мультимодальная модель, разработанная командой Qwen. Это плотная модель с 7,1 млрд параметров для понимания изображений и видео по текстовым запросам. Она обрабатывает изображения с произвольным разрешением и соотношением сторон, а также видео длительностью более 20 минут; динамическое число визуальных токенов и позиционные кодировки M-ROPE учитывают текстовые, двумерные визуальные и трёхмерные видеоданные.

Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и видео, распознавания текста на изображениях и задач, связанных с визуальным анализом и принятием решений. README описывает поддержку английского и китайского языков, а также чтение текста на изображениях на многих других языках, включая европейские языки, японский, корейский, арабский и вьетнамский. Версия в этом репозитории не прошла инструкционную настройку, поэтому для диалога и следования пользовательским инструкциям может требоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение текста и сведений из документов на изображениях
  • ответы на вопросы по длинным видеозаписям
  • описание и обсуждение содержимого изображений и видео
  • визуальный анализ сцен для управления устройствами по текстовым инструкциям

Ограничения

Это базовая модель без инструкционной настройки; качество следования инструкциям и диалога может быть ограничено. Для работы с произвольным разрешением изображений и видео требуется совместимая версия Transformers с поддержкой Qwen2-VL.

Для каких профессий подходит11

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-7B

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-7B 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 7B 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
e618342

0 моделей