模型详情
模型介绍
中文整理# Qwen2-VL-2B 模型卡片
## 模型简介
Qwen2-VL是阿里云通义千问团队推出的视觉语言模型最新版本，包含2B、7B和72B三种参数规模。本仓库提供的是2B参数的预训练基础模型，未经过指令微调。
## 主要能力
- *图像理解**：在各种分辨率和比例的图像理解方面达到领先水平，在MathVista、DocVQA、RealWorldQA、MTVQA等视觉理解基准测试中表现优异。
- *视频理解**：能够理解超过20分钟的视频，支持高质量的基于视频的问答、对话和内容创作。
- *设备操作**：具备复杂推理和决策能力，可与手机、机器人等设备集成，根据视觉环境和文本指令实现自动化操作。
- *多语言支持**：除英语和中文外，还支持图像中多种语言的文本理解，包括大多数欧洲语言、日语、韩语、阿拉伯语、越南语等。
- *动态分辨率处理**：支持任意图像分辨率，将图像映射为动态数量的视觉 tokens，提供更接近人类的视觉处理体验。
- *多模态位置编码**：采用多模态旋转位置嵌入（M-ROPE），将位置嵌入分解为多个部分，分别捕捉一维文本、二维视觉和三维视频的位置信息。
## 输入输出
输入：图像、视频或图像与文本的组合
输出：文本响应
运行要求
需要安装最新版本的Hugging Face Transformers库。建议使用以下命令更新：
pip install -U transformers
限制
本模型为预训练基础模型，未经过指令微调，直接用于对话任务时效果可能不佳。如需用于对话任务，建议进行指令微调或使用经过微调的版本。
许可证
如需引用本工作，请参考相关论文或官方文档。
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。
