Qwen2-VL-72B Instruct

МултимодаленНедостъпно
от Alibaba (Qwen)ID на модела: qwen2-vl-72b-instruct

Alibaba's 72B vision-language model with M-RoPE and dynamic resolution. Strong document and video understanding.

Статус
Недостъпно
Контекст
32 768 токена
Макс. изход
8192 токена
Вход → Изход
Текст + Изображение + Видео → Текст
Разработчик
Alibaba (Qwen)
Актуализирано
25 юни 2026 г.

Qwen2-VL-72B Instruct е временно недостъпен

Временно недостъпно: този модел е деактивиран.

Можете да прочетете подробностите на тази страница. Изберете една от наличните алтернативи по-долу, за да стартирате сравним модел веднага.

Към алтернативите
01

Сравними модели

Всички в тази категория
  • BLIPSalesforce

    Salesforce BLIP. Vision-language model for image captioning and visual question answering. Given an image it writes a short natural-language caption, or answers a question about the image when one is supplied. A widely used baseline for automatic captioning.

    ≈ 0,00030 щ.д./стартиране

  • Anthropic's April 2026 flagship. 87.6% on SWE-bench Verified, 3x higher image resolution, output self-verification, vision + reasoning.

    6,00 щ.д./1M вх

  • Anthropic's balanced mid-tier model from February 2026. Best price/performance for production workloads: 5x cheaper than Opus, near-flagship quality.

    3,60 щ.д./1M вх

02

Playground

Опитай Qwen2-VL-72B Instruct

Чат

Временно недостъпно

Временно недостъпно: този модел е деактивиран.

Playground е деактивиран. Сравними модели можеш да намериш в същата категория: Преглед на алтернативи

Опитай Qwen2-VL-72B Instruct

Изпрати съобщение. Отговорът пристига пълен, когато моделът завърши (без потоково предаване).

Системен промпт
Макс. дължина на отговора (токени)

Този запуск

Няма цена – в момента недостъпно.

Нов си тук?

10 безплатни кредита (0,10 щ.д.) при регистрация с Google

Използваемо 24 часа след регистрация, до 5 запуска на ден и максимум 2 кредита на запуск. Други методи за вход стартират без кредита.

03

За Qwen2-VL-72B Instruct

НакраткоКъм 25 юни 2026 г.

Qwen2-VL-72B Instruct е модел на Alibaba (Qwen) от категория Мултимодален. На Railwail Qwen2-VL-72B Instruct в момента не е наличен. Контекстното окно съдържа 32 768 токена, а един отговор може да бъде до 8192 токена дълъг.

Фон

За Alibaba DAMO Academy (Qwen Team)

Основана 2017 · Hangzhou, China

The Qwen (Tongyi Qianwen) team sits inside Alibaba Cloud's DAMO Academy, the company's research arm founded in 2017 in Hangzhou. The team is led by Junyang Lin and Le Hou and counts dozens of researchers across NLP, vision and speech. Qwen has produced one of the most prolific open-source model lines in the world, including Qwen-1.5, Qwen2 (June 2024), Qwen2.5 (September 2024), the Code, Math, Audio and VL (vision-language) families, and the December 2024 release of Qwen2.5-VL. Qwen2-VL launched in August 2024 in 2B, 7B and 72B sizes, all released on Hugging Face and ModelScope; the 72B Instruct variant became one of the top open-weights vision-language models worldwide, frequently matching closed-source peers on OCR-heavy benchmarks like DocVQA and ChartQA. Alibaba offers Qwen models commercially through Alibaba Cloud and Bailian.

Посетете Alibaba DAMO Academy (Qwen Team)

Архитектура

Decoder-only Transformer with Naive Dynamic Resolution Vision Transformer

Qwen2-VL-72B-Instruct combines the Qwen2 72B decoder-only Transformer with a custom 675M ViT vision encoder using Naive Dynamic Resolution: instead of resizing every image to a fixed grid, the encoder accepts the native resolution and generates a variable number of visual tokens per image. The model also introduces Multimodal Rotary Position Embedding (M-RoPE) that encodes positions in time (for video), height and width separately, enabling single-stream multimodal video understanding. The model supports up to 20 minutes of video input via uniform frame sampling, single-frame image input at variable resolution up to ~16K visual tokens, and a 131,072-token text context window. Training proceeded in three stages: contrastive vision-language pretraining, multimodal pretraining on interleaved image-text and video-text data, and supervised fine-tuning with chain-of-thought multimodal instructions. Weights are released under the Qwen licence (free for commercial use under specific terms).

Параметри
72B (~73B with vision encoder)
Контекст
131 072 токена

Възможности

  • Open-weights 72B vision-language model under permissive Qwen licence
  • Naive Dynamic Resolution: native image aspect ratio without fixed grid
  • Multimodal Rotary Position Embedding (M-RoPE) for joint image and video
  • Up to 20 minutes of video understanding
  • 131K-token text context
  • Top open-weights scores on DocVQA, ChartQA, MathVista, RealWorldQA
  • Strong OCR across English, Chinese, Japanese, Korean and European languages
  • Best for: open-weights document AI, video QA, OCR-heavy multilingual workloads

Обучение и лиценз

Multi-stage curriculum: contrastive vision-language pretraining on large web image-text pairs, multimodal pretraining on interleaved image-text and video-text data, supervised fine-tuning on curated chain-of-thought multimodal instructions.

Лиценз: Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).

Тестване на безопасност: Alibaba publishes a model card with safety evaluations and integrates Tongyi safety filters in cloud deployments; no separate full red-team report.

Известни ограничения

  • Serving 72B requires multi-GPU infrastructure
  • Video understanding limited to 20 minutes uniform sampling
  • Hallucination on extreme OCR cases
  • Licence has MAU and competing-services restrictions
  • Audio input requires separate Qwen-Audio model
04

Цени

Временно недостъпно: този модел е деактивиран. В момента няма цена за този модел, затова не може да се изпълни.

05

API

Извикайте Qwen2-VL-72B Instruct с вашия Railwail API ключ. Използвайте този ID на модела в заявката:

В момента недостъпно

Моделът няма проверена цена или е деактивиран; API обаждания се отхвърлят.

06

Спецификации

ID на модела
qwen2-vl-72b-instruct
Разработчик
Alibaba (Qwen)
Категория
Мултимодален
Вход
Текст, Изображение, Видео
Изход
Текст
Контекстен прозорец
32 768 токена
Макс. изход
8192 токена
Размер на модела
72B (~73B with vision encoder)
Лиценз
Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).
Каталогът е актуализиран
25 юни 2026 г.

Етикети

  • qwen
  • alibaba
  • multimodal
  • vision
  • open-weights
  • video-understanding
  • pricing-tbd
07

Случаи на използване

За какво се използва

  • Open-weights document AI for multilingual OCR
  • Video question answering up to 20 minutes
  • Chart and diagram understanding for analytics
  • Chinese / Japanese / Korean OCR-heavy workloads
  • Multimodal AI assistants in Chinese cloud regions
08

Често задавани въпроси

Какво е Qwen2-VL-72B Instruct?

Qwen2-VL-72B Instruct е модел от Alibaba (Qwen) в категория Мултимодален. Той е включен в каталога на Railwail, но не може да се стартира в момента.

Колко струва Qwen2-VL-72B Instruct на Railwail?

Qwen2-VL-72B Instruct не може да се стартира на Railwail в момента, затова няма текуща цена. Налични алтернативи с цени са изброени по-долу на тази страница.

Какво е контекстното окно на Qwen2-VL-72B Instruct?

Контекстното окно на Qwen2-VL-72B Instruct съдържа 32 768 токена. Един отговор може да бъде до 8192 токена дълъг.

Колко бърз е Qwen2-VL-72B Instruct?

Все още няма достатъчно измерени задачи на Qwen2-VL-72B Instruct на Railwail, за да се посочи време на изпълнение. Зависи от входа, настройките и натоварването на доставчика.

Е ли Qwen2-VL-72B Instruct по-добър от BLIP?

Зависи от задачата. Qwen2-VL-72B Instruct (Alibaba (Qwen)) и BLIP (Salesforce) са и двата модела в категория Мултимодален. Страницата за сравнение показва техните цени и спецификации един до друг.

Сравни Qwen2-VL-72B Instruct и BLIP

Може ли Qwen2-VL-72B Instruct да обработва изображения?

Да. Qwen2-VL-72B Instruct приема изображения като вход в допълнение към текста.

Мога ли да използвам Qwen2-VL-72B Instruct сега?

Временно недостъпно: този модел е деактивиран. Страницата остава онлайн; налични алтернативи от същата категория са изброени по-долу.

Всички модели чрез един API

Един API ключ за всеки модел на Railwail. Използването се начислява от предплатени кредити, 1 кредит = 0,01 щ.д..