
使用场景
植物和地标的识别及其场景中对象间关系的分析。
将手写文字和图像中的公式转换为Markdown格式。
识别并转录图像中的多语言文本。
解决实际问题,如数学问题和编程算法问题。
产品特色
读懂不同分辨率和长宽比的图片,包括多语言文本识别。
理解20分钟以上的长视频,适用于视频问答和内容创作。
操作手机和机器人的视觉智能体,进行自动操作。
多语言支持,包括欧洲语言、日语、韩语等。
在多个视觉理解基准测试中取得优异成绩。
开源代码,集成到多个第三方框架中,便于开发体验。
使用教程
1. 注册并获取API Key,通过DashScope平台体验Qwen2-VL模型。
2. 安装必要的库和工具,如transformers和qwen-vl-utils。
3. 加载模型和处理器,根据需要设置参数,如设备映射和最小/最大像素数。
4. 准备输入数据,包括图像URL和相关文本指令。
5. 进行推理,生成输出,解码并打印结果。
6. 利用模型的主要功能点,如图像识别、视频分析等,解决具体问题。
精选AI产品推荐

Deepmind Gemini
Gemini是谷歌DeepMind推出的新一代人工智能系统。它能够进行多模态推理,支持文本、图像、视频、音频和代码之间的无缝交互。Gemini在语言理解、推理、数学、编程等多个领域都超越了之前的状态,成为迄今为止最强大的AI系统之一。它有三个不同规模的版本,可满足从边缘计算到云计算的各种需求。Gemini可以广泛应用于创意设计、写作辅助、问题解答、代码生成等领域。
AI模型
11.4M
中文精选

剪映dreamina
剪映Dreamina是抖音旗下的AIGC工具,用户可以根据文本内容生成由AI生成的创意图,支持修整图片大小比例和模板类型。未来会用于抖音的图文或短视频的内容创作,丰富抖音在AI创造方面的内容库。
AI图像生成
9.1M