模型介绍
中文整理Qwen2-VL-72B
模型简介
Qwen2-VL是Qwen-VL模型的最新迭代版本，代表了近一年的创新成果。这是Qwen2-VL-72B的预训练基础模型，未经过指令微调。
模型规模
提供三种参数规模的模型：20亿、70亿和720亿参数。本仓库包含720亿参数的预训练模型。
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先进水平，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，支持高质量的视频问答、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进行自动化操作。
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：能够处理任意图像分辨率，将其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。
多模态位置嵌入：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，增强多模态处理能力。
运行要求
需要安装最新版本的Hugging Face Transformers。建议使用以下命令安装：
pip install -U transformers
如未更新至最新版本，可能会遇到错误。
许可证
原文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
运行模型需要的设备、工具与依赖，以原作者说明为准。
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。