Qwen2.5vl

🚀 NexaAI/qwen2.5vl

NexaAI/qwen2.5vlは、画像とテキストを入力としてテキストを出力するマルチモーダルモデルです。このモデルは、Qwen2-VLをベースに開発され、多くの機能強化が施されています。

🚀 クイックスタート

nexa-sdkをインストールして、直接実行します。 nexa-sdk CLIでは、以下のコマンドを実行します。

NexaAI/qwen2.5vl

利用可能な量子化モデル

✨ 主な機能

Qwen2-VLがリリースされてから過去5か月間、多くの開発者がQwen2-VLのビジョン言語モデルをベースに新しいモデルを構築し、貴重なフィードバックを提供してくれました。この間、私たちはより有用なビジョン言語モデルの構築に注力してきました。今日、私たちはQwenファミリーの最新メンバーであるQwen2.5-VLをご紹介することを嬉しく思います。

主要な機能強化点:

• 視覚的な理解能力: Qwen2.5-VLは、花や鳥、魚、昆虫などの一般的な物体の認識に精通しているだけでなく、画像内のテキスト、チャート、アイコン、グラフィック、レイアウトを高度に分析することができます。
• エージェント機能: Qwen2.5-VLは、視覚的なエージェントとして直接機能し、推論し、ツールを動的に操作することができ、コンピューターや携帯電話の使用が可能です。
• 長時間ビデオの理解とイベントの捕捉: Qwen2.5-VLは、1時間以上のビデオを理解することができ、今回は関連するビデオセグメントを特定することでイベントを捕捉する新機能を備えています。
• 異なる形式での視覚的な位置特定: Qwen2.5-VLは、バウンディングボックスやポイントを生成することで画像内の物体を正確に位置特定し、座標と属性の安定したJSON出力を提供することができます。
• 構造化出力の生成: 請求書、フォーム、テーブルなどのスキャンデータに対して、Qwen2.5-VLはその内容の構造化出力をサポートし、金融や商業などの分野での利用に役立ちます。

📊 ベンチマーク結果

画像ベンチマーク

ビデオベンチマーク

エージェントベンチマーク

📚 詳細ドキュメント

オリジナルモデルカード: Qwen/Qwen2.5-VL-7B-Instruct

📄 ライセンス

このプロジェクトは、Apache 2.0ライセンスの下で公開されています。