InternVL2-1B在部分测试中超过更大的视觉模型

该模型将InternViT-300M视觉编码器与Qwen2-0.5B-Instruct结合，支持8K上下文，面向OCR、文档与图表分析以及视频问答等任务。

据来源介绍，图像可切分为最多12块、每块448×448像素。OpenGVLab称，该模型在部分视觉任务上可达到或超过一些20亿至40亿参数的模型；这些是针对特定任务报告的结果。

为什么重要

较小的模型规模和报告的OCRBench成绩，使其对内存受限的本地视觉语言应用具有参考价值。来源没有称这些结果经过独立验证。