El modelo combina el codificador visual InternViT-300M con Qwen2-0.5B-Instruct y ofrece una ventana de contexto de 8K. Está dirigido a tareas como OCR, análisis de documentos y gráficos, y preguntas sobre vídeos.
Según la fuente, las imágenes pueden dividirse en hasta 12 mosaicos de 448×448 píxeles. OpenGVLab afirma que iguala o supera a algunos modelos de 2B–4B en tareas visuales específicas; son resultados reportados para esas tareas.
Por qué importa
Su tamaño compacto y la puntuación comunicada en OCRBench pueden ser relevantes para aplicaciones locales de visión y lenguaje con memoria limitada. Los resultados no se presentan como verificados de forma independiente.
Una idea para probar
Como ejercicio hipotético, compare el OCR y la interpretación de gráficos en sus propios documentos con los de un modelo visual más grande.
Inicia la conversación.