InternVL2-1B কিছু বড় ভিশন মডেলের চেয়ে বেশি স্কোর করেছে

মডেলটি InternViT-300M ভিশন এনকোডারের সঙ্গে Qwen2-0.5B-Instruct যুক্ত করেছে এবং এতে 8K কনটেক্সট উইন্ডো রয়েছে। এটি OCR, নথি ও চার্ট বিশ্লেষণ এবং ভিডিও সম্পর্কে প্রশ্নোত্তরসহ বিভিন্ন কাজের জন্য তৈরি।

সূত্র অনুযায়ী, ছবিকে 448×448 পিক্সেলের সর্বোচ্চ ১২টি টাইল হিসেবে ভাগ করা যায়। OpenGVLab-এর বক্তব্য, বেছে নেওয়া কিছু ভিশন-সংক্রান্ত কাজে মডেলটি কিছু 2B–4B মডেলের সমান বা তার চেয়ে ভালো ফল করে। এগুলো নির্দিষ্ট কাজভিত্তিক প্রতিবেদন করা ফলাফল।

কেন এটি গুরুত্বপূর্ণ

এর কমপ্যাক্ট আকার এবং প্রতিবেদন করা OCRBench স্কোর সীমিত মেমরিতে স্থানীয় ভিশন-ল্যাঙ্গুয়েজ অ্যাপ্লিকেশনের জন্য এটিকে প্রাসঙ্গিক করে তোলে। ফলাফলগুলোকে স্বাধীনভাবে যাচাইকৃত বলে উপস্থাপন করা হয়নি।