يجمع النموذج بين مُشفّر الرؤية InternViT-300M وQwen2-0.5B-Instruct، ويضم نافذة سياق بسعة 8K. ويستهدف مهام تشمل التعرف الضوئي على الحروف (OCR)، وتحليل المستندات والمخططات، والإجابة عن الأسئلة المتعلقة بالفيديو.

وفقًا للمصدر، يمكن تقسيم الصور إلى ما يصل إلى 12 بلاطة، بأبعاد 448×448 بكسل. وتقول OpenGVLab إن النموذج يضاهي بعض النماذج ذات 2B–4B أو يتفوق عليها في مهام بصرية مختارة. وهذه نتائج مُعلنة خاصة بمهام محددة.

لماذا يهم

يجعل حجمه الصغير ونتيجة OCRBench المُعلنة منه خيارًا ذا صلة لتطبيقات الرؤية واللغة المحلية ذات الذاكرة المحدودة. ولا تُعرض النتائج على أنها خضعت لتحقق مستقل.

أدلة

شيء لتجربته

على سبيل الافتراض، قارن نتائج OCR وتفسير المخططات على مستنداتك الخاصة بنتائج نموذج رؤية ولغة أكبر.