Qwen2-VL-72B Instruct

MultimodālsNav pieejams
no Alibaba (Qwen)Modeļa ID: qwen2-vl-72b-instruct

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

Statuss
Nav pieejams
Konteksts
32 768 marķieri
Maks. izvade
8192 marķieri
Ievade → Izvade
Teksts + Attēls + Video → Teksts
Izstrādātājs
Alibaba (Qwen)
Atjaunināts
2026. gada 25. jūnijs

Qwen2-VL-72B Instruct pašlaik nav pieejams

Pašlaik nav pieejams: šis modelis ir deaktivizēts.

Jūs joprojām varat lasīt detaļas šajā lapā. Izvēlieties vienu no pieejamajām alternatīvām zemāk, lai uzreiz palaistu salīdzināmu modeli.

Uz alternatīvām
01

Salīdzināmi modeļi

Visi šajā kategorijā
  • 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 $/palaidi

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

    6,00 $/1M ievade

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

    3,60 $/1M ievade

02

Spēļu laukums

Izmēģiniet Qwen2-VL-72B Instruct

Tērzēšana

Pašlaik nav pieejams

Pašlaik nav pieejams: šis modelis ir deaktivizēts.

Spēļu laukums ir atspējots. Salīdzināmus modeļus varat atrast vienā kategorijā: Skatīt alternatīvas

Izmēģiniet Qwen2-VL-72B Instruct

Nosūtiet ziņojumu. Atbilde tiek saņemta pilnībā, kad modelis ir pabeigis (bez straumēšanas).

Sistēmas uzvedne
Maks. atbildes garums (marķieri)

Šis palaišanas gadījums

Nav cenas – pašlaik nav pieejams.

Jauns šeit?

10 bezmaksas kredīti (0,10 $), reģistrējies ar Google

Pieejams 24 stundas pēc reģistrācijas, līdz 5 palaišanas gadījumi dienā un maksimāli 2 kredīti uz palaišanas gadījumu. Citas pierakstīšanās metodes sākas bez kredītiem.

03

Par Qwen2-VL-72B Instruct

ĪsumāUz 2026. gada 25. jūnijs

Qwen2-VL-72B Instruct ir Alibaba (Qwen) modelis kategorijā Multimodāls. Qwen2-VL-72B Instruct pašlaik nav pieejams Railwail platformā. Konteksta logs satur 32 768 žetonus, un viena atbilde var būt līdz 8192 žetonu gara.

Fons

Par Alibaba DAMO Academy (Qwen Team)

Dibināts 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.

Apmeklēt Alibaba DAMO Academy (Qwen Team)

Arhitektūra

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).

Parametri
72B (~73B with vision encoder)
Konteksts
131 072 marķieri

Iespējas

  • 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

Apmācība un licence

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.

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

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

Zināmi ierobežojumi

  • 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

Cenas

Pašlaik nav pieejams: šis modelis ir deaktivizēts. Šim modelim pašlaik nav cenas, tāpēc to nevar palaist.

05

API

Izsauciet Qwen2-VL-72B Instruct ar savu Railwail API atslēgu. Izmantojiet šo modeļa ID pieprasījumā:

Pašlaik nav pieejams

Modelim nav pārbaudītas cenas vai tas ir deaktivizēts; API izsaukumi tiek noraidīti.

06

Specifikācijas

Modeļa ID
qwen2-vl-72b-instruct
Izstrādātājs
Alibaba (Qwen)
Kategorija
Multimodāls
Ievade
Teksts, Attēls, Video
Izvade
Teksts
Konteksta logs
32 768 marķieri
Maks. izvade
8192 marķieri
Modeļa izmērs
72B (~73B with vision encoder)
Licence
Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).
Kataloga ieraksts atjaunināts
2026. gada 25. jūnijs

Tagi

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

Lietošanas gadījumi

Kam to izmanto

  • 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

Bieži uzdotie jautājumi

Kas ir Qwen2-VL-72B Instruct?

Qwen2-VL-72B Instruct ir Alibaba (Qwen) izstrādāts modelis Multimodāls kategorijā. Tas ir uzskaitīts Railwail katalogā, bet pašlaik to nevar palaist.

Cik maksā Qwen2-VL-72B Instruct Railwail?

Qwen2-VL-72B Instruct pašlaik nevar tikt palaists Railwail, tāpēc nav pašreizējās cenas. Pieejamās alternatīvas ar cenām ir norādītas tālāk šajā lapā.

Kāds ir Qwen2-VL-72B Instruct konteksta logs?

Qwen2-VL-72B Instruct konteksta logs satur 32 768 žetonus. Viena atbilde var būt līdz 8192 žetonu gara.

Cik ātrs ir Qwen2-VL-72B Instruct?

Railwail platformā Qwen2-VL-72B Instruct vēl nav pietiekami daudz izmērītu izpilžu, lai norādītu izpildes laiku. Tas ir atkarīgs no ievades, iestatījumiem un sniedzēja slodzes.

Vai Qwen2-VL-72B Instruct ir labāks par BLIP?

Tas ir atkarīgs no uzdevuma. Qwen2-VL-72B Instruct (Alibaba (Qwen)) un BLIP (Salesforce) ir abi modeļi Multimodāls kategorijā. Salīdzināšanas lapā to cenas un specifikācijas ir parādītas blakus.

Salīdzināt Qwen2-VL-72B Instruct un BLIP

Vai Qwen2-VL-72B Instruct var apstrādāt attēlus?

Jā. Qwen2-VL-72B Instruct pieņem attēlus kā ievadi papildus tekstam.

Vai es varu izmantot Qwen2-VL-72B Instruct tieši tagad?

Pašlaik nav pieejams: šis modelis ir deaktivizēts. Lapa paliek tiešsaistē; pieejamās alternatīvas no vienas kategorijas ir norādītas tālāk.

Visi modeļi caur vienu API

Viena API atslēga visiem Railwail modeļiem. Izmantošana tiek aprēķināta no iepriekš apmaksātiem kredītiem, 1 kredīts = 0,01 $.