Model, InternViT-300M görsel kodlayıcıyı Qwen2-0.5B-Instruct dil modeliyle birleştiriyor ve 8K bağlam penceresi sunuyor. OCR, belge ve grafik analizi ile video soru yanıtlama gibi görevleri hedefliyor.

Yayındaki bilgilere göre görseller 448×448 piksel boyutunda, en fazla 12 parçaya bölünebiliyor. OpenGVLab, modelin bazı görsel görevlerde 2B–4B parametreli modellerle eşleştiğini veya onları geçtiğini bildiriyor; bu sonuçlar seçili görevlere ait.

Neden önemli?

Küçük model boyutu ve bildirilen OCRBench sonucu, kaynak kısıtlı yerel görsel-dil uygulamaları için dikkate değer. Sonuçlar bağımsız doğrulanmış olarak sunulmuyor.

REHBERLER

Bir deneme fikri

Varsayımsal olarak, kendi belge örneklerinizde OCR ve grafik yorumlama sonuçlarını daha büyük bir görsel-dil modeliyle karşılaştırın.