模型介绍
中文整理Qwen2-VL-72B-Instruct
模型用途
Qwen2-VL-72B-Instruct是一个视觉语言模型，用于图像和视频理解、问答、对话、内容创作等任务，也可作为代理集成到手机、机器人等设备进行自动操作。
主要能力
图像理解：在各种分辨率和宽高比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：可理解20分钟以上的视频，支持高质量的基于视频的问答、对话和内容创作。
设备操作代理：具备复杂推理和决策能力，可根据视觉环境和文本指令自动操作手机、机器人等设备。
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。
模型架构
朴素动态分辨率：可处理任意图像分辨率，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。
多模态旋转位置嵌入：将位置嵌入分解为多部分，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（支持本地文件、base64、URL）、视频（仅支持本地文件）、文本指令
输出：文本回复
运行要求
需要使用最新版Hugging Face Transformers。建议从源码安装以避免兼容性问题。
基本用法
支持多种视觉输入格式，包括base64、URL以及交错的图像和视频。可通过设置最小和最大像素值来控制图像大小，以平衡速度和内存消耗。默认使用原生分辨率，更高分辨率可提升性能但增加计算量。
限制
不支持音频理解。知识库更新至2023年6月，之后的信息可能未覆盖。识别特定个人或知识产权的能力有限。复杂多步骤指令的理解和执行能力有待提升。物体计数的准确性不高，特别是在复杂场景中。空间推理能力较弱，尤其在三维空间中难以准确判断物体相对位置。
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。