阿里通義千問推出 Qwen2-VL：開源 2B / 7B 參數(shù) AI 大模型，處理任意分辨率圖像無需分割成塊

IT之家 8 月 30 日消息，通義千問團(tuán)隊(duì)今天對 Qwen-VL（視覺語言、Vision Language）模型進(jìn)行更新，推出 Qwen2-VL。

Qwen2-VL 的一項(xiàng)關(guān)鍵架構(gòu)改進(jìn)是實(shí)現(xiàn)了動態(tài)分辨率支持（Naive Dynamic Resolution support）。與上一代模型 Qwen-VL 不同，Qwen2-VL 可以處理任意分辨率的圖像，而無需將其分割成塊，從而確保模型輸入與圖像固有信息之間的一致性。這種方法更接近地模仿人類的視覺感知，使模型能夠處理任何清晰度或大小的圖像。

另一個關(guān)鍵架構(gòu)增強(qiáng)是 Multimodal Rotary Position Embedding（M-ROPE）。通過將 original rotary embedding 分解為代表時間和空間（高度和寬度）信息的三個部分，M-ROPE 使 LLM 能夠同時捕獲和集成 1D 文本、2D 視覺和 3D 視頻位置信息。這使 LLM 能夠充當(dāng)多模態(tài)處理器和推理器。

在 7B 規(guī)模下，Qwen2-VL-7B 保留了對圖像、多圖像和視頻輸入的支持，以更具成本效益的模型大小提供“具有競爭力”的性能。

Qwen2-VL-2B 模型針對潛在的移動部署進(jìn)行了優(yōu)化。盡管參數(shù)量只有 2B，但官方表示該模型在圖像、視頻和多語言理解方面表現(xiàn)出色。

IT之家附模型鏈接如下：

• Qwen2-VL-2B-Instruct：https://www.modelscope.cn/models/qwen/Qwen2-VL-2B-Instruct

• Qwen2-VL-7B-Instruct：https://www.modelscope.cn/models/qwen/Qwen2-VL-7B-Instruct

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。