模型介绍
中文整理Aquila-VL-2B 模型卡片
模型用途
Aquila-VL-2B是一个视觉语言模型（VLM），基于LLava-one-vision框架开发，用于处理图像和文本的多模态理解与生成任务。
主要能力
该模型采用Qwen2.5-1.5B-instruct作为语言模型基座，配合siglip-so400m-patch14-384视觉编码器。模型在自建的Infinity-MM数据集上训练，该数据集包含约4000万图像-文本对，由开源互联网数据和利用开源VLM生成的合成指令数据组成。
输入输出
输入：图像和文本指令
输出：文本响应
运行要求
模型参数规模为2B，具体硬件要求未在文档中说明。
基本用法
文档未提供具体使用方法。
限制
文档未明确说明模型限制。
许可证
文档未明确说明许可证信息。
评估结果
模型在VLMEvalKit工具上进行了评估。多个基准测试的平均得分为64.1。在部分测试中表现优异：MMBench-EN测试得分78.8，MMBench-CN测试得分76.4，MMT-Bench测试得分58.2，RealWorldQA得分63.9，HallusionBench得分43.0，SEEDBench2 plus得分63.0，LLaVABench得分68.4，MMStar得分54.9，MMMU验证集得分47.4，ScienceQA测试得分95.2，AI2D测试得分75.0，MathVista testmini得分59.0，MathVerse testmini得分26.2，MathVision得分18.4，ChartQA测试得分76.5，VCR en easy得分70.0。
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
所选固定版本的完整仓库文件，包括模型权重、配置、分词器，以及作者提供的说明和其他文件。自动保留目录结构，不需要逐个选择或下载。
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。