模型详情
模型介绍
中文整理Qwen2-VL-7B
模型类型
基础预训练模型，未经过指令微调。
模型用途
用于视觉理解任务的预训练基座模型，可进一步微调用于视觉问答、文档理解、视频分析、设备控制等多种应用场景。
主要能力
支持任意图像分辨率的动态处理，将不同尺寸图像映射为相应数量的视觉标记。采用多模态旋转位置嵌入技术，可同时处理一维文本、二维图像和三维视频的位置信息。支持包括英语、中文在内的多种语言图像文本理解。
输入输出
输入：图像、视频或图像与文本的组合
输出：基于视觉内容的文本理解结果
运行要求
需要安装最新版本的Hugging Face Transformers库。建议使用pip install -U transformers命令更新至最新版本。
参数规模
提供20亿、70亿和720亿参数三种规格，本模型为70亿参数版本。
限制
本模型为预训练基座模型，未经过指令微调，直接用于对话任务时效果可能有限。
许可证
未提供许可证相关信息。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。
