/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
4,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-2B
Библиотека
mlx
Опубликована
20 сен 2026

Qwen2-VL-2B-mlx

Изображение и текст → текст10 профессий

Мультимодальная базовая модель Qwen2-VL в формате MLX для анализа изображений и генерации текстовых ответов на Apple Silicon.

336скачиваний за 30 дней3лайкавеса обновлены21 сен 2026

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

mlx-community/Qwen2-VL-2B-mlx — конверсия мультимодальной модели Qwen2-VL-2B для запуска с mlx-vlm на компьютерах Apple Silicon. В репозитории также исправлен шаблон чата, чтобы корректно формировать сообщения для инференса. Модель принимает текстовые запросы и изображения и генерирует текст; она поддерживает понимание изображений разного разрешения, а базовая карточка также описывает анализ видео и чтение текста на изображениях на нескольких языках. Размер модели — 1,5 млрд параметров, контекст — 32 768 токенов; архитектура — плотная Qwen2-VL с генерацией по условию.

Это базовая предварительно обученная модель без настройки для следования инструкциям. Она подходит для вопросов и ответов по изображениям, визуального анализа документов и сцен, а также видеоанализа, но в диалоговых сценариях может потребовать инструкционной настройки. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображениям
  • извлечение текста и сведений из изображений документов
  • описание содержимого изображений
  • ответы на вопросы по видео
  • понимание текста на изображениях на разных языках

Ограничения

Это базовая модель без инструкционной настройки, поэтому она может хуже следовать диалоговым запросам и инструкциям. Запуск через mlx-vlm предназначен для Apple Silicon.

Для каких профессий подходит10

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-mlx

MLX-format conversion of Qwen/Qwen2-VL-2B, for use with mlx-vlm on Apple Silicon.

Fix included in this repo

The original checkpoint's chat_template.json/chat_template.jinja ships an incomplete Jinja template — it's missing the outer <|im_start|>{role}...<|im_end|> message-wrapping logic, containing only the inner fragment that converts a single message's content list into vision-placeholder tokens. As shipped, calling apply_chat_template() on any real conversation (text-only or with images) returns an empty string, which then causes a crash deep in inference (ValueError: [max] Cannot max reduce over axis 1 with size 0 in get_rope_index).

This repo's chat_template.json/chat_template.jinja have been replaced with the complete, correct Qwen2-VL ChatML template (verified against working sibling checkpoints), so apply_chat_template() works correctly out of the box.

Usage

pip install -U mlx-vlm
from mlx_vlm import load, generate
from mlx_vlm.prompt_utils import apply_chat_template
from mlx_vlm.utils import load_config

model_path = "mlx-community/Qwen2-VL-2B-mlx"
model, processor = load(model_path)
config = load_config(model_path)

prompt = apply_chat_template(processor, config, "Describe this image.", num_images=1)
output = generate(model, processor, prompt, image=["path/to/image.jpg"], verbose=False)
print(output)

Original model card

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.

For more information, visit the original Blog and GitHub.

Citation

@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}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
d8c7c76

0 моделей