InternVL2-1B ने कुछ बड़े विज़न मॉडल से बेहतर स्कोर किया

यह मॉडल InternViT-300M विज़न एन्कोडर को Qwen2-0.5B-Instruct के साथ जोड़ता है और इसमें 8K कॉन्टेक्स्ट विंडो है। इसका लक्ष्य OCR, दस्तावेज़ और चार्ट विश्लेषण तथा वीडियो पर प्रश्नोत्तर जैसे कार्य हैं।

स्रोत के अनुसार, छवियों को 448×448 पिक्सेल के अधिकतम 12 टाइलों में बाँटा जा सकता है। OpenGVLab का कहना है कि चुने गए कुछ विज़ुअल कार्यों पर यह मॉडल कुछ 2B–4B मॉडल के बराबर या उनसे बेहतर प्रदर्शन करता है। ये कार्य-विशिष्ट रिपोर्ट किए गए परिणाम हैं।

यह क्यों मायने रखता है

इसका छोटा आकार और रिपोर्ट किया गया OCRBench स्कोर इसे सीमित मेमोरी वाले स्थानीय विज़न-लैंग्वेज अनुप्रयोगों के लिए प्रासंगिक बनाते हैं। इन परिणामों को स्वतंत्र रूप से सत्यापित बताया नहीं गया है।