Il modello combina un encoder visivo InternViT-300M con Qwen2-0.5B-Instruct e ha una finestra di contesto da 8K. È destinato a compiti che includono OCR, analisi di documenti e grafici e risposte a domande sui video.
Secondo la fonte, le immagini possono essere suddivise in un massimo di 12 riquadri da 448×448 pixel. OpenGVLab afferma che, in alcuni compiti visivi selezionati, il modello eguaglia o supera alcuni modelli da 2B–4B. Si tratta di risultati riportati e specifici per determinati compiti.
Perché è importante
Le dimensioni compatte e il punteggio OCRBench riportato lo rendono rilevante per applicazioni locali di visione-linguaggio con vincoli di memoria. I risultati non sono presentati come verificati in modo indipendente.
Qualcosa da provare
In via ipotetica, confronta i risultati di OCR e interpretazione dei grafici sui tuoi documenti con quelli di un modello visione-linguaggio più grande.
Avvia la conversazione.