Qwen2-VL-72B Instruct

FjölbreytilegtEkki tiltækt
eftir Alibaba (Qwen)Auðkenni módels: qwen2-vl-72b-instruct

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

Staða
Ekki tiltækt
Samhengi
32.768 tákn
Hámarksúttak
8.192 tákn
Inntak → úttak
Texti + Mynd + Myndbandi → Texti
Þróunaraðili
Alibaba (Qwen)
Uppfært
25. júní 2026

Qwen2-VL-72B Instruct er ekki tiltækt eins og er

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt.

Þú getur enn lesið upplýsingarnar á þessari síðu. Veldu einn af tiltækum valkostum hér að neðan til að keyra sambærilegt módel strax.

Fara í valkosti
01

Sambærileg módel

Öll í þessum flokki
  • 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 USD/keyrsla

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

    6,00 USD/1M inn

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

    3,60 USD/1M inn

02

Leiksvæði

Prófaðu Qwen2-VL-72B Instruct

Spjall

Ekki fáanlegt sem stendur

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt.

Leiksvæðið er óvirkt. Þú getur fundið sambærileg módel í sama flokki: Skoðaðu valkosti

Prófaðu Qwen2-VL-72B Instruct

Sendu skilaboð. Svarið kemur í heilu sinni þegar módel er tilbúið (engin streymi).

Kerfisboð
Hámarkssvarlengd (tákn)

Þessi keyrsla

Engin verð – ekki tiltækt eins og er.

Nýr hér?

10 ókeypis inneign (0,10 USD) þegar þú skráir þig með Google

Hægt að nota 24 klst. eftir skráningu, allt að 5 keyrslur á dag og að hámarki 2 inneign á keyrslu. Aðrar innskráningaraðferðir byrja án inneignar.

03

Um Qwen2-VL-72B Instruct

StuttlegaFrá og með 25. júní 2026

Qwen2-VL-72B Instruct er módel frá Alibaba (Qwen) í flokknum Fjölbreytilegt. Qwen2-VL-72B Instruct er ekki tiltækt á Railwail eins og er. Samhengisgluggi geymir 32.768 tákn og ein svör getur verið allt að 8.192 tákn löng.

Bakgrunnur

Um Alibaba DAMO Academy (Qwen Team)

Stofnað 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.

Heimsækja Alibaba DAMO Academy (Qwen Team)

Arkitektúr

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).

Breytur
72B (~73B with vision encoder)
Samhengi
131.072 tákn

Geta

  • 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

Þjálfun og leyfi

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.

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

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

Þekkt takmörk

  • 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

Verðlagning

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt. Engin verð fyrir þetta módel eins og er, svo það er ekki hægt að keyra það.

05

API

Kallaðu Qwen2-VL-72B Instruct með Railwail API-lyklinum þínum. Notaðu þessa módel-auðkenningu í beiðninni:
qwen2-vl-72b-instructAPI-skjölFáðu API-lykil

Ekki tiltækt sem stendur

Módel hefur engan staðfestan verð eða er óvirkt; API-köll eru hafnað.

06

Forskriftir

Módel-auðkenni
qwen2-vl-72b-instruct
Þróunaraðili
Alibaba (Qwen)
Inntak
Texti, Mynd, Myndbandi
Úttak
Texti
Samhengisglugginn
32.768 tákn
Hámark úttak
8.192 tákn
Stærð módels
72B (~73B with vision encoder)
Leyfi
Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).
Vörulistafærsla uppfærð
25. júní 2026

Merki

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

Notkunartilvik

Það sem það er notað fyrir

  • 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

Algengar spurningar

Hvað er Qwen2-VL-72B Instruct?

Qwen2-VL-72B Instruct er módel frá Alibaba (Qwen) í flokknum Fjölbreytilegt. Það er skráð á Railwail en er ekki hægt að keyra það sem stendur.

Hvað kostar Qwen2-VL-72B Instruct á Railwail?

Qwen2-VL-72B Instruct er ekki hægt að keyra á Railwail sem stendur, svo engar núverandi verðir eru til. Fáanlegir valkostir með verðum eru skráðir lengra niður á þessari síðu.

Hversu stór er samhengisgluggi Qwen2-VL-72B Instruct?

Samhengisgluggi Qwen2-VL-72B Instruct geymir 32.768 tákn. Ein svör getur verið allt að 8.192 tákn löng.

Hversu hratt er Qwen2-VL-72B Instruct?

Það eru ekki nóg mældar keyrslur af Qwen2-VL-72B Instruct á Railwail ennþá til að tilgreina keyrslutíma. Það fer eftir inntakinu, stillingum og álagi hjá veitandanum.

Er Qwen2-VL-72B Instruct betra en BLIP?

Það fer eftir verkefninu. Qwen2-VL-72B Instruct (Alibaba (Qwen)) og BLIP (Salesforce) eru bæði módel í flokknum Fjölbreytilegt. Samanburðarsíðan sýnir verð og forskriftir þeirra hlið við hlið.

Bera saman Qwen2-VL-72B Instruct og BLIP

Getur Qwen2-VL-72B Instruct unnið úr myndum?

Já. Qwen2-VL-72B Instruct tekur myndir sem inntok auk texta.

Get ég notað Qwen2-VL-72B Instruct núna?

Ekki tiltækt sem stendur: þetta módel hefur verið óvirkt. Síðan helst á netinu; fáanlegir valkostir úr sama flokki eru skráðir lengra niður.

Öll módel í gegnum eina API

Einn API-lykil fyrir öll módel á Railwail. Notkun er rukkuð frá fyrirframgreiddum inneign, 1 inneign = 0,01 USD.