Qwen2-VL 72B Instruct

Qwen2 VL 72BはQwenチームによって開発されたマルチモーダルな大規模言語モデル（LLM）であり、いくつかの重要な改善点を持っています。まず、Qwen2-VLは異なる解像度と比率の画像理解において最先端の性能を達成しており、特にMathVista、DocVQA、RealWorldQA、MTVQAなどの視覚理解のベンチマークテストで優れたパフォーマンスを示しています。次に、20分を超える動画を理解できる能力を持ち、高品質な動画質問応答、対話、コンテンツ作成などのニーズに対応します。さらに、Qwen2-VLはスマートフォンやロボットなどのデバイスを操作する能力も備えており、視覚環境とテキスト指示に基づいて複雑な推論と決定を行えるため、広範囲にわたる自動化操作のシナリオでの利用が可能です。最後に、グローバルなユーザーにより良いサービスを提供するために、英語と中国語に加え、Qwen2-VLは現在、画像内の異なる言語のテキストを理解することも可能です。これにはほとんどのヨーロッパ言語、日本語、韓国語、アラビア語、ベトナム語などが含まれます。詳細については、このブログ記事とGitHubリポジトリを参照してください。このモデルの使用はTongyi Qianwenライセンス契約に従って行う必要があります。