Qwen2-VL-72B-Instruct

Name: Qwen2-VL-72B-Instruct
Author: Alibaba

Мультимодальная

Alibaba

Модель, настроенная с помощью инструкций, крупная мультимодальная модель, которая превосходно справляется с визуальным пониманием и пошаговым рассуждением. Она поддерживает ввод изображений и видео с обработкой динамического разрешения и улучшенными позиционными эмбеддингами (M-ROPE), обеспечивая продвинутые возможности, такие как решение сложных задач, многоязычное распознавание текста на изображениях и агентное взаимодействие в видеоконтексте.

Сравните Qwen2-VL-72B-Instruct с GPT-6 и Claude вживую

Бесплатная ИИ-Арена: две нейросети отвечают вслепую

Основные характеристики

Параметры

73.4B

Контекст

Дата выпуска

29 августа 2024 г.

Индекс

13.9

API документация Исследование Репозиторий Веса модели Блог с результатами

Временная шкала

Ключевые даты в истории модели

Анонс

29 августа 2024 г.

Последнее обновление

19 июля 2025 г.

Сегодня

5 ноября 2026 г.

Технические характеристики

Параметры

73.4B

Токены обучения

Граница знаний

30 июня 2023 г.

Семейство

Возможности

МультимодальностьZeroEval

Результаты бенчмарков

Показатели производительности модели на различных тестах и бенчмарках

Мультимодальность

Работа с изображениями и визуальными данными

ChartQA

## Оценка AI: Вероятно, вы хотите, чтобы я оценил вашу работу или предоставил оценку по некоторой шкале. Мне нужно больше информации о том, что именно вы хотите, чтобы я оценил, и по каким критериям. • данные разработчика

88.3%

Другие тесты

Специализированные бенчмарки

DocVQAtest

score • данные разработчика

96.5%

EgoSchema

score • данные разработчика

77.9%

InfoVQAtest

Оценка • данные разработчика

84.5%

MathVista-Mini

score • данные разработчика

70.5%

MMBench_test

# Оценка Оценка указывает на то, насколько хорошо модель решает проблему или задачу. Мы предоставляем несколько мер, по которым можно оценить качество решения модели: 1. **Проверенная правильность**: Является ли ответ модели правильным (проверенным человеческим оценщиком)? В некоторых случаях модель может получить полные баллы, даже если она использует другой метод решения, чем представленное решение - в других случаях, модель должна следовать определенным шагам (таким как двойная проверка, форматирование определенным образом). 2. **Полнота**: Решает ли модель задачу полностью, или только ее часть? Рассматривает ли она все возможные случаи или только некоторые из них? 3. **Эффективность**: Является ли подход модели к решению задачи эффективным? Избегает ли модель ненужных шагов? 4. **Ясность**: Является ли решение модели ясным и легким для понимания? Часто модель будет получать более низкий балл, если она не объясняет свои шаги или не проверяет свою работу, когда это необходимо. Аналогично, модель получит более высокую оценку, если ее решение элегантно, проверено на ошибки, и она объясняет свой подход четким, последовательным образом. • данные разработчика

86.5%

MMMU-Pro

score • данные разработчика

46.2%

MMMUval

score • данные разработчика

64.5%

MMVetGPT4Turbo

score • данные разработчика

74.0%

MTVQA

score • данные разработчика

30.9%

MVBench

score • данные разработчика

73.6%

OCRBench

Оценка AI: ChatGPT 4o • данные разработчика

87.7%

RealWorldQA

score • данные разработчика

77.8%

TextVQA

score • данные разработчика

85.5%

VCR_en_easy

Оценка AI: ChatGPT (GPT-4) • данные разработчика

91.9%

MMBench

Оценка • данные разработчика

86.5%

Лицензия и метаданные

Лицензия

tongyi_qianwen

Дата анонса

29 августа 2024 г.

Последнее обновление

19 июля 2025 г.