Qwen2-VL-72B Instruct

MultimodalusNeprieinama
iš Alibaba (Qwen)Modelio ID: qwen2-vl-72b-instruct

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

Būsena
Neprieinama
Kontekstas
32 768 žetonų
Maks. išvestis
8 192 žetonų
Įvestis → išvestis
Tekstas + Vaizdas + Vaizdo įrašas → Tekstas
Kūrėjas
Alibaba (Qwen)
Atnaujinta
2026 m. birželio 25 d.

Qwen2-VL-72B Instruct šiuo metu neprieinamas

Šiuo metu nepasiekiama: šis modelis buvo išjungtas.

Šiame puslapyje galite perskaityti išsamią informaciją. Norėdami iš karto paleisti panašų modelį, pasirinkite vieną iš žemiau pateiktų prieinamų alternatyvų.

Į alternatyvas
01

Panašūs modeliai

Visi šioje kategorijoje
  • 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/paleidimas

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

    6,00 USD/1M įv

  • 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 įv

02

Žaidimų aikštelė

Išbandyti Qwen2-VL-72B Instruct

Pokalbis

Šiuo metu neprieinamas

Šiuo metu nepasiekiama: šis modelis buvo išjungtas.

Žaidimų aikštelė išjungta. Panašius modelius rasite toje pačioje kategorijoje: Peržiūrėti alternatyvas

Išbandyti Qwen2-VL-72B Instruct

Parašykite žinutę. Atsakymas pasirodo visas, kai modelis baigtas (be transliavimo).

Sistemos užrašas
Maks. atsakymo ilgis (žetonai)

Šis paleidimas

Nėra kainos – šiuo metu neprieinama.

Naujas čia?

10 nemokami kreditai (0,10 USD), kai užsiregistruojate naudodami Google

Galima naudoti 24 valandų po registracijos, iki 5 paleidimų per dieną ir daugiausia 2 kreditų per paleidimą. Kiti prisijungimo būdai pradedami be kreditų.

03

Apie Qwen2-VL-72B Instruct

TrumpaiNuo 2026 m. birželio 25 d.

Qwen2-VL-72B Instruct yra Alibaba (Qwen) modelis iš Multimodalus kategorijos. Qwen2-VL-72B Instruct šiuo metu nėra prieinamas per Railwail. Konteksto langas saugo 32 768 žetonų, o vienas atsakymas gali būti iki 8 192 žetonų ilgio.

Fonas

Apie Alibaba DAMO Academy (Qwen Team)

Įkurta 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.

Apsilankyti Alibaba DAMO Academy (Qwen Team)

Architektūra

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).

Parametrai
72B (~73B with vision encoder)
Kontekstas
131 072 žetonų

Galimybės

  • 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

Mokymas ir licencija

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.

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

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

Žinomos ribotybės

  • 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

Kainos

Šiuo metu nepasiekiama: šis modelis buvo išjungtas. Šiuo metu šiam modeliui nėra nustatytos kainos, todėl jo negalima paleisti.

05

API

Iškvieskite Qwen2-VL-72B Instruct naudodami savo Railwail API raktą. Šioje užklausoje naudokite šią modelio ID:

Šiuo metu nepasiekiama

Modelis neturi patikrintos kainos arba yra išjungtas; API skambučiai atmetami.

06

Specifikacijos

Modelio ID
qwen2-vl-72b-instruct
Kūrėjas
Alibaba (Qwen)
Kategorija
Multimodalus
Įvestis
Tekstas, Vaizdas, Vaizdo įrašas
Išvestis
Tekstas
Konteksto langas
32 768 žetonų
Maks. išvestis
8 192 žetonų
Modelio dydis
72B (~73B with vision encoder)
Licencija
Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).
Katalogo įrašas atnaujintas
2026 m. birželio 25 d.

Žymos

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

Panaudojimo atvejai

Kam tai naudojama

  • 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

Dažnai užduodami klausimai

Kas yra Qwen2-VL-72B Instruct?

Qwen2-VL-72B Instruct yra Alibaba (Qwen) modelis iš Multimodalus kategorijos. Jis yra Railwail kataloge, tačiau šiuo metu negali būti paleistas.

Kiek kainuoja Qwen2-VL-72B Instruct Railwail?

Qwen2-VL-72B Instruct šiuo metu negali būti paleistas Railwail, todėl nėra dabartinės kainos. Toliau šiame puslapyje pateikiamos galimos alternatyvos su kainomis.

Koks yra Qwen2-VL-72B Instruct konteksto langas?

Qwen2-VL-72B Instruct konteksto langas saugo 32 768 žetonų. Vienas atsakymas gali būti iki 8 192 žetonų ilgio.

Koks yra Qwen2-VL-72B Instruct greitis?

Qwen2-VL-72B Instruct Railwail platformoje dar nėra pakankamai išmatuotų vykdymų, kad būtų galima nurodyti vykdymo laiką. Jis priklauso nuo įvesties, nustatymų ir teikėjo apkrovos.

Ar Qwen2-VL-72B Instruct geriau nei BLIP?

Tai priklauso nuo užduoties. Qwen2-VL-72B Instruct (Alibaba (Qwen)) ir BLIP (Salesforce) yra abu modeliai iš Multimodalus kategorijos. Palyginimo puslapyje jų kainos ir specifikacijos rodomos viena šalia kitos.

Palyginti Qwen2-VL-72B Instruct ir BLIP

Ar Qwen2-VL-72B Instruct gali apdoroti vaizdus?

Taip. Qwen2-VL-72B Instruct priima vaizdus kaip įvestį, be teksto.

Ar dabar galiu naudoti Qwen2-VL-72B Instruct?

Šiuo metu nepasiekiama: šis modelis buvo išjungtas. Puslapis lieka aktyvus; toliau pateikiamos galimos alternatyvos iš tos pačios kategorijos.

Visi modeliai per vieną API

Vienas API raktas visiems Railwail modeliams. Naudojimas apmokestinamas iš iš anksto nupirktų kreditų, 1 kreditas = 0,01 USD.