Qwen2.5-VL-7B

Qwen2.5-VL-7B представляет собой оптимальный баланс между производительностью и вычислительными требованиями, устанавливая новые стандарты в качестве обработки мультимодальных данных. Революционная система MRoPE (Multimodal Rotary Position Embedding) с выравниванием по абсолютному времени позволяет модели изучать темпоральную динамику и скорость событий через интервалы между временными измерениями без дополнительных вычислительных затрат. Архитектурные инновации 7B модели включают усовершенствованный Vision Transformer с комбинацией полного внимания и window attention, где только 4 слоя используют полное внимание, а остальные применяют оконное внимание с максимальным размером окна 112×112. Это обеспечивает линейное масштабирование вычислительных затрат и позволяет модели нативно обрабатывать изображения любого разрешения. Динамическая обработка FPS для видео расширяет возможности модели на временное измерение, обеспечивая точную локализацию событий.

Производительность 7B модели впечатляет: 58.6% на MMMU, 95.7% на DocVQA, 84.9% на TextVQA и 68.2% на MathVista, что превосходит многие модели сопоставимого размера. В области агентских задач модель демонстрирует выдающиеся результаты: 84.7% на ScreenSpot, 81.9% на AITZ и 91.4% на MobileMiniWob++, подтверждая ее способность эффективно взаимодействовать с графическими интерфейсами. Особенно впечатляющими являются возможности видеопонимания, где модель достигает 69.6% на MVBench и 70.5% на PerceptionTest.

Сценарии применения модели охватывают профессиональные системы автоматизации документооборота, интеллектуальные системы видеонаблюдения с анализом поведения, образовательные платформы с интерактивным мультимедийным контентом и корпоративные решения для анализа больших объемов визуальных данных. Модель идеально подходит для развертывания в облачных сервисах, где требуется высокое качество обработки при разумных вычислительных затратах, а также для локальных серверов в средних и крупных организациях. Благодаря превосходным OCR возможностям, модель становится незаменимой для финтех-приложений, систем обработки счетов и автоматизации бухгалтерских процессов.

Дата анонса: 19.02.2025
Параметров: 8.29B
Контекст: 128K
Тип внимания: Full Attention
Потребление памяти: 10.7 ГБ в точности 4 бит
Разработчик: Alibaba
Версия Transformers: 4.41.2
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами для теста инференса и знакомства с Qwen2.5-VL-7B.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.