Qwen2-VL 7B Instruct
qwen2-vl-7b-instruct-repAlibaba Qwen2-VL 7B served on Replicate. Open-weights vision-language model that chats about images and video, with dynamic resolution and strong OCR and document QA for its size.
- Τιμή
- ≈ 0,0024 $/εκτέλεση
- Είσοδος → Έξοδος
- Κείμενο + Εικόνα + Βίντεο → Κείμενο
- Προγραμματιστής
- Community
- Ενημερώθηκε
- 23 Σεπτεμβρίου 2026
Playground
Δοκιμάστε Qwen2-VL 7B Instruct
Είσοδος & Έξοδος
Αυτή η εκτέλεση
περίπου 0,0024 $ · 0,24 πιστωτικές μονάδες
0,0072 $ (0,72 πιστωτικές μονάδες) προεπιλέγονται κατά την έναρξη· ο πραγματικός χρόνος GPU χρεώνεται.
Νέος εδώ;
10 δωρεάν πιστωτικές μονάδες (0,10 $) όταν εγγραφείς με Google
Χρησιμοποιήσιμο 24 ώρες μετά την εγγραφή, έως 5 εκτελέσεις ανά ημέρα και το πολύ 2 πιστωτικές μονάδες ανά εκτέλεση. Άλλες μέθοδοι σύνδεσης ξεκινούν χωρίς πιστωτικές μονάδες. Αρκετό για 13 εκτελέσεις αυτού του μοντέλου.
Examples
Prompt
Describe this video in detail.
Response
The video features a monkey riding a skateboard in a park. The monkey is wearing roller skates and is seen moving forward on the skateboard, with its arms outstretched for balance. The park is filled with people sitting on benches and walking around, enjoying the sunny day. The monkey appears to be enjoying itself, and the scene is filled with a sense of fun and playfulness. The park is surrounded by trees and greenery, creating a peaceful and relaxing atmosphere. Overall, the video captures a unique and entertaining moment of a monkey enjoying a day out in the park on roller skates.
Prompt
Describe this in detail.
Response
The image shows a half of an avocado on the left side, with a pit visible inside. On the right side, there is a stylized letter "A" in a bold, uppercase font. The avocado and the letter "A" are separated by a white arrow pointing from the avocado to the letter "A," indicating a transformation or relationship between the two. The background is a light beige color.
Prompt
Describe this in detail.
Response
The image depicts a dog, specifically a Golden Retriever, enjoying a slice of watermelon. The dog is positioned on the left side of the frame, with its head lowered towards the watermelon. The watermelon is placed on a wooden table, and the dog appears to be biting into the fruit, indicating it is eating it. The background is blurred, suggesting a natural outdoor setting with greenery. The overall scene conveys a sense of relaxation and enjoyment.
Σχετικά με το Qwen2-VL 7B Instruct
Το Qwen2-VL 7B Instruct είναι ένα μοντέλο του Community στην κατηγορία Multimodal. Στο Railwail, το Qwen2-VL 7B Instruct κοστίζει ≈ 0,0024 $ ανά εκτέλεση.
Τιμολόγηση
| Συνήθης εκτέλεση (≈ 2 s σε L40S) | 0,0024 $ ανά εκτέλεση |
|---|---|
| Χρόνος GPU (L40S) | 0,00117 $ ανά δευτερόλεπτο GPU |
- Χρέωση με βάση τον χρόνο GPU που χρειάζεται πραγματικά η εκτέλεση. Κατά την έναρξη, το 3× της τυπικής τιμής δεσμεύεται από το υπόλοιπό σας και διακανονίζεται αργότερα.
- 1 πιστωτική μονάδα = 0,01 $
Αριθμομηχανή κόστους
Αριθμομηχανή τιμών
Τυπικά σύμφωνα με τον πάροχο: περίπου 2,1 s
Σύνολο
0,24 $
24 πιστωτικές μονάδες
Ανά εκτέλεση
0,0024 $ · 0,24 πιστωτικές μονάδες
Χρέωση με βάση τον πραγματικό χρόνο GPU· αυτή είναι μια εκτίμηση.
API
Κανένα επαληθευμένο παράδειγμα API
Το δημόσιο API περνά μια διαφορετική μορφή εισόδου από αυτή που χρειάζεται αυτό το μοντέλο. Χρησιμοποιήστε το playground παραπάνω.
Προδιαγραφές
- ID μοντέλου
qwen2-vl-7b-instruct-rep- Ανάπτυξη
- Community
- Κατηγορία
- Multimodal
- Είσοδος
- Κείμενο, Εικόνα, Βίντεο
- Έξοδος
- Κείμενο
- Χρέωση
- Κατά χρήση (tokens ή χρόνος GPU)
- Καταχώρηση καταλόγου ενημερώθηκε
- 23 Σεπτεμβρίου 2026
Παράμετροι εισόδου
Εισόδους και ρυθμίσεις από το σχήμα εισόδου του μοντέλου. Το παράδειγμα στην ενότητα API δείχνει ποιες από αυτές δέχεται το API.
promptΥποχρεωτικόQuestion about the image or video
Τύπος: ΚείμενοΠροεπιλογή: –Επιτρεπόμενες τιμές: Έως 16.000 χαρακτήρεςimage_urlImage or video URL to analyze
Τύπος: ΚείμενοΠροεπιλογή: –Επιτρεπόμενες τιμές: –max_tokensΤύπος: Ακέραιος αριθμόςΠροεπιλογή:1024Επιτρεπόμενες τιμές: 1 έως 4.096temperatureΤύπος: ΑριθμόςΠροεπιλογή:0.7Επιτρεπόμενες τιμές: 0 έως 2
Ετικέτες
- replicate
- qwen
- alibaba
- vision-understanding
- open-weights
- ocr
Συχνές ερωτήσεις
Τι είναι Qwen2-VL 7B Instruct;
Το Qwen2-VL 7B Instruct είναι ένα μοντέλο του Community στην κατηγορία Multimodal.
Πόσο κοστίζει το Qwen2-VL 7B Instruct στο Railwail;
Στο Railwail, το Qwen2-VL 7B Instruct κοστίζει ≈ 0,0024 $ ανά εκτέλεση. Χρεώνεστε για αυτό που χρησιμοποιεί πραγματικά κάθε αίτημα. Η χρήση πληρώνεται από προπληρωμένες πιστωτικές μονάδες· 1 πιστωτική μονάδα ισούται με 0,01 $.
Ποιες ρυθμίσεις υποστηρίζει το Qwen2-VL 7B Instruct;
Σύμφωνα με το σχήμα εισόδου του, το Qwen2-VL 7B Instruct γνωρίζει αυτές τις παραμέτρους: prompt (Έως 16.000 χαρακτήρες), image_url, max_tokens (1 έως 4.096) και temperature (0 έως 2).
Πόσο γρήγορο είναι το Qwen2-VL 7B Instruct;
Δεν υπάρχουν αρκετές μετρημένες εκτελέσεις του Qwen2-VL 7B Instruct στο Railwail ακόμα για να δηλωθεί ένας χρόνος εκτέλεσης. Εξαρτάται από την είσοδο, τις ρυθμίσεις και το φορτίο στον πάροχο.
Είναι το Qwen2-VL 7B Instruct καλύτερο από το BLIP;
Αυτό εξαρτάται από την εργασία. Το Qwen2-VL 7B Instruct (Community) και το BLIP (Salesforce) είναι και τα δύο μοντέλα στην κατηγορία Multimodal. Η σελίδα σύγκρισης δείχνει τις τιμές και τις προδιαγραφές τους παράλληλα.
Σύγκριση Qwen2-VL 7B Instruct και BLIPΜπορεί το Qwen2-VL 7B Instruct να επεξεργαστεί εικόνες;
Ναι. Το Qwen2-VL 7B Instruct δέχεται εικόνες ως είσοδο εκτός από κείμενο.
Συγκρίσιμα μοντέλα
Όλα σε αυτήν την κατηγορία- 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.
- CLIP InterrogatorCommunity
pharmapsychotic's CLIP Interrogator. Takes an image and produces a Stable-Diffusion-style text prompt by combining BLIP captioning with CLIP to rank likely subjects, artists, mediums and styles. Commonly used to reverse-engineer a prompt from an existing picture.
- Depth Anything v2Community
Monocular depth-estimation model trained on 595k labeled and 62M unlabeled images. Strong zero-shot generalization in indoor and outdoor scenes.
Όλα τα μοντέλα μέσω ενός API
Ένα κλειδί API για κάθε μοντέλο στο Railwail. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά, 1 πιστωτικό = 0,01 $.