Qwen2.5 VL 72B Instruct: مدل چندوجهی پیشرفته

اطلاعات مدل

شناسه (Slug)

qwen2-5-vl-72b

تاریخ انتشار

۷ بهمن ۱۴۰۳

سازمان

qwen

دسترسی

پولی

سایت رسمی

qwen.ai

داده‌های تحلیلی

شاخص‌ها

هوش ۹,۴

کدنویسی —

عامل (Agentic) —

شمار پارامترها

۷۲,۰B پارامتر

مجوز

tongyi-qianwen

ورودی

متن، تصویر

خروجی

متن

پنجرهٔ زمینه

۱۲۸,۰ هزار توکن

میانگین قیمت ورودی (در ۱ میلیون توکن)

$0,80

میانگین قیمت خروجی (در ۱ میلیون توکن)

$1,00

نوع استفاده

متن

بنچمارک‌ها

general

MLVU-M ۷۴,۶% #8

AndroidWorld_SR ۳۵,۰% #6

ریاضی

MathVista-Mini ۷۴,۸% #16

MathVision ۳۸,۱% #30

چندحالته

Android Control Low_EM ۹۳,۷% #1

AITZ_EM ۸۳,۲% #1

VideoMME w/o sub. ۷۳,۳% #8

MMMU ۷۰,۲% #31

MobileMiniWob++_SR ۶۸,۰% #2

Android Control High_EM ۶۷,۴% #2

OSWorld ۸,۸% #19

استدلال

ChartQA ۸۹,۵% #3

ویدیو

PerceptionTest ۷۳,۲% #1

MMBench-Video ۲,۰% #1

بینایی

DocVQA ۹۶,۴% #1

OCRBench ۸۸,۵% #10

AI2D ۸۸,۴% #16

MMBench ۸۸,۰% #2

ScreenSpot ۸۷,۱% #13

CC-OCR ۷۹,۸% #12

EgoSchema ۷۶,۲% #2

MMVet ۷۶,۲% #1

TempCompass ۷۴,۸% #1

MMStar ۷۰,۸% #15

MVBench ۷۰,۴% #11

OCRBench-V2 (en) ۶۱,۵% #11

Hallusion Bench ۵۵,۲% #16

MMMU-Pro ۵۱,۱% #59

LVBench ۴۷,۳% #22

ScreenSpot Pro ۴۳,۶% #23

معرفی مدل

Qwen2.5 VL 72B Instruct، مدل چندوجهی پیشرفته از qwen، ادغام بی‌نظیری از درک زبان و قابلیت‌های بصری را ارائه می‌دهد. این مدل ۷۲ میلیارد پارامتری، مبتنی بر معماری نوین Qwen2.5، قادر به تحلیل همزمان متن و تصاویر است. با درک عمیق مفاهیم پیچیده، Qwen2.5 VL 72B Instruct پاسخ‌های دقیق و خلاقانه تولید می‌کند. ایده‌آل برای تولید محتوا، خلاصه‌سازی، پرسش و پاسخ‌های پیشرفته و تحلیل بصری، این مدل تعامل انسان و ماشین را متحول می‌سازد.