Qwen2-VL-72B Instruct

МултимодаленНедостапно
од Alibaba (Qwen)ID на модел: qwen2-vl-72b-instruct

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

Статус
Недостапно
Контекст
32.768 токени
Макс. излез
8.192 токени
Влез → излез
Текст + Слика + Видео → Текст
Развивач
Alibaba (Qwen)
Ажурирано
25 јуни 2026 г.

Qwen2-VL-72B Instruct е моментално недостапен

Моментално недостапно: овој модел е деактивиран.

Можете да ги прочитате деталите на оваа страница. Изберете една од достапните алтернативи подолу за да извршите споредлив модел веднаш.

Оди на алтернативи
01
  • 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 US$/извршување

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

    6,00 US$/1M вл

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

    3,60 US$/1M вл

02

Playground

Пробајте Qwen2-VL-72B Instruct

Разговор

Тренутно недостапно

Моментално недостапно: овој модел е деактивиран.

Игралиштето е оневозможено. Слични модели можете да најдете во иста категорија: Погледни алтернативи

Пробајте Qwen2-VL-72B Instruct

Испрати порака. Одговорот пристигнува целосно кога моделот е готов (без стриминг).

Системски промпт
Макс. должина на одговор (токени)

Овој тек

Нема цена – моментално недостапно.

Нов си овде?

10 бесплатни кредити (0,10 US$) кога ќе се регистрираш со Google

Употребливо 24 часа по регистрација, до 5 текови по ден и максимално 2 кредити по тек. Други методи на пријава почнуваат без кредити.

03

За Qwen2-VL-72B Instruct

НакраткоОд 25 јуни 2026 г.

Qwen2-VL-72B Instruct е модел од Alibaba (Qwen) во категоријата Мултимодален. Qwen2-VL-72B Instruct моментално не е достапен на Railwail. Контекстниот прозорец содржи 32.768 токени, а еден одговор може да биде до 8.192 токени долг.

Позадина

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 токени

Способности

  • 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

Обука и лиценца

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.

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

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

Познати ограничувања

  • 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

Моментално недостапно: овој модел е деактивиран. Нема цена за овој модел во моментот, затоа не може да се извршува.

05

API

Повикајте го Qwen2-VL-72B Instruct со вашиот Railwail API клуч. Користете го овој ID на моделот во барањето:

Моментално недостапно

Моделот нема потврдена цена или е деактивиран; API повиците се отфрлаат.

06

Спецификации

ID на моделот
qwen2-vl-72b-instruct
Развивач
Alibaba (Qwen)
Категорија
Мултимодален
Влез
Текст, Слика, Видео
Излез
Текст
Контекстен прозорец
32.768 токени
Макс. излез
8.192 токени
Големина на модел
72B (~73B with vision encoder)
Лиценца
Qwen Licence (commercial use permitted under 100M MAU; bespoke licence required above).
Каталошка ставка ажурирана
25 јуни 2026 г.

Ознаки

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

Случаи на употреба

За што се користи

  • 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 поставувани прашања

Што е Qwen2-VL-72B Instruct?

Qwen2-VL-72B Instruct е модел од Alibaba (Qwen) во категоријата Мултимодален. Наведено е на Railwail, но не може да се извршува во моментов.

Колку чини Qwen2-VL-72B Instruct на Railwail?

Qwen2-VL-72B Instruct не може да се извршува на Railwail во моментов, затоа нема тековна цена. Достапни алтернативи со цени се наведени подолу на оваа страница.

Колку е контекстниот прозорец на Qwen2-VL-72B Instruct?

Контекстниот прозорец на Qwen2-VL-72B Instruct содржи 32.768 токени. Еден одговор може да биде до 8.192 токени долг.

Колку брз е Qwen2-VL-72B Instruct?

Нема доволно измерени извршувања на Qwen2-VL-72B Instruct на Railwail за да се наведе време на извршување. Зависи од влезот, поставките и оптеретувањето кај добавувачот.

Дали Qwen2-VL-72B Instruct е подобар од BLIP?

Зависи од задачата. Qwen2-VL-72B Instruct (Alibaba (Qwen)) и BLIP (Salesforce) се обата модели во категоријата Мултимодален. Страницата за споредба ги покажува нивните цени и спецификации една до друга.

Спореди Qwen2-VL-72B Instruct и BLIP

Може ли Qwen2-VL-72B Instruct да обработува слики?

Да. Qwen2-VL-72B Instruct прифаќа слики како влез покрај текстот.

Можам ли да го користам Qwen2-VL-72B Instruct сега?

Моментално недостапно: овој модел е деактивиран. Страницата останува онлајн; достапни алтернативи од иста категорија се наведени подолу.

Сите модели преку една API

Еден API клуч за секој модел на Railwail. Употребата се наплаќува од подготвени кредити, 1 кредит = 0,01 US$.