qwen2-vl-2b-instruct

Qwen2-VL-2B-Instruct er Qwens instruktionstilpassede 2B vision-sprog-model til spørgsmål med billeder og tekst. Producenten beskriver håndtering af billeder med forskellige opløsninger og billedformater samt forståelse af tekst på flere sprog inde i billeder. Det genererede resultat er et skriftligt svar på det medfølgende visuelle materiale og spørgsmål. Producenten beskriver også brug som visuel agent med enheder som telefoner og robotter. Til den arbejdsgang angiver du det aktuelle visuelle miljø og en tekstinstruktion; den omgivende applikation udfører den foreslåede operation og returnerer den observerede tilstand til næste spørgsmål.

Angiv billedet og et præcist spørgsmål

Vælg det billede, der indeholder belægget for svaret, og identificér derefter detaljen, som skal fortolkes. Et dokumentspørgsmål kan dreje sig om en synlig passage; et diagramspørgsmål kan identificere serierne, akserne og den sammenligning, som skal forklares. Gem billedets identifikator sammen med det ønskede resultat, så svaret forbliver knyttet til den rigtige reference.

Producenten angiver billed-tekst-forståelse ud over engelsk og kinesisk, herunder europæiske sprog, japansk, koreansk, arabisk og vietnamesisk. Bevar original ordlyd og skrift, når du beder om transskription, forklaring eller oversættelse af synlig tekst. En eksempelbeskrivelse kan bede om den viste etiket og en særskilt forklaring af dens betydning.

Forbered opløsning og visuelle tokens bevidst

Qwen2-VL bruger dynamisk opløsning til at repræsentere et billede med et variabelt antal visuelle tokens. I eksemplet med den oprindelige processor er standardintervallet 4 til 16,384 visuelle tokens pr. billede. Den oprindelige vejledning viser minimums- og maksimumsindstillinger for pixels, herunder et snævrere forberedelsesinterval på 256 til 1,280 billedtokens, for at afveje detaljer mod behandlingsbehov. Disse indstillinger bevarer billedformatet ved størrelsesændring.

Producenten tillader også ønsket højde og bredde efter størrelsesændring, afrundet til et multiplum af 28. Vælg en forberedelse, som holder vigtige etiketter læselige, og bevar originalbilledet, når du bruger et udsnit. De oprindelige eksempler omfatter flere billeder og batches, så et spørgsmål kan bevare identiteten af sine separate referencer.

Arbejd inden for de dokumenterede visuelle begrænsninger

Producenten identificerer begrænsninger ved komplekse instruktioner med flere trin, optælling af objekter i komplicerede scener og rumligt ræsonnement i tre dimensioner. Den nævner også ufuldstændig genkendelse af bestemte personer eller brands. Bed om en afgrænset visuel observation, og undersøg det konkrete antal, den etiket eller relative placering, resultatet afhænger af.

Producenten angiver, at billeddatasættet blev opdateret frem til juni 2023. Angiv den skriftlige kontekst, som kræves for en ny eller ukendt etiket, frem for at bede billedet alene fastslå oplysningerne. Hold en citeret etiket adskilt fra en udledt identitet i den returnerede note.

Gem de forberedte input sammen med svaret

Den offentliggjorte checkpointkonfiguration fastsætter 32,768 maksimale positioner. Forbered spørgsmålet og de visuelle input med den tilsvarende modelprocessor, og bevar billedernes rækkefølge fra anmodningen. Det oprindelige hjælpeværktøj accepterer lokale billeder, base64 og billedadresser.

Gem det valgte 2B Instruct-navn, referencerne og det færdige skriftlige svar sammen. Til en opfølgning medtager du det relevante materiale og identificerer den konkrete observation eller fortolkning, som skal revideres, og sammenligner derefter det rettede resultat med kilden.

Via Ailoot bruger du det nøjagtige model-ID i /v1/chat/completions og holder billedet sammen med dets spørgsmål i samtalen. Formen til billedindhold bruger image_url; understøttede billedkilder kan indeholde en billedadresse eller en base64-data-URI. Hent hele JSON-svaret eller alle SSE-segmenter, når stream er aktiveret, og gem usage sammen med det færdige resultat.