Le modèle associe un encodeur visuel InternViT-300M à Qwen2-0.5B-Instruct et dispose d’une fenêtre de contexte de 8K. Il vise notamment des tâches de reconnaissance optique de caractères (OCR), d’analyse de documents et de graphiques, ainsi que de questions-réponses sur des vidéos.

Selon la source, les images peuvent être divisées en un maximum de 12 tuiles de 448×448 pixels. OpenGVLab affirme que, pour certaines tâches visuelles sélectionnées, le modèle égale ou dépasse certains modèles de 2B–4B. Il s’agit de résultats rapportés propres à certaines tâches.

Pourquoi c’est important

Sa taille compacte et le score rapporté à l’OCRBench le rendent pertinent pour des applications de vision-langage locales soumises à des contraintes de mémoire. Les résultats ne sont pas présentés comme ayant été vérifiés de manière indépendante.

GUIDES

Quelque chose à essayer

À titre hypothétique, comparez les résultats d’OCR et d’interprétation de graphiques obtenus sur vos propres documents avec ceux d’un modèle de vision-langage plus grand.