El equipo de Qwen en Alibaba Cloud presentó Qwen2-VL, su modelo fundacional multimodal de visión y lenguaje más avanzado hasta la fecha, disponible en variantes de pesos abiertos de 2B, 7B y un modelo insignia de 72B. Qwen2-VL introduce una innovación arquitectónica fundamental: Naive Dynamic Resolution, un mecanismo que permite al modelo procesar imágenes de cualquier resolución y relación de aspecto nativa sin redimensionamiento distorsionante ni pérdida de fidelidad en detalles diminutos. Además, Qwen2-VL establece un nuevo récord en comprensión temporal al analizar secuencias de video continuo de más de 20 minutos con localización precisa de eventos, al tiempo que adquiere capacidades agénticas para operar interfaces de usuario en teléfonos móviles y sistemas operativos de escritorio.
Capítulo 01
La noticia en una frase
Alibaba presenta Qwen2-VL (2B, 7B, 72B) con resolución dinámica nativa, análisis de video de más de 20 minutos y operación de interfaces UI.
En evaluaciones exhaustivas sobre comprensión visual (DocVQA, InfoVQA y Video-MME), Qwen2-VL-72B supera a GPT-4o y Claude 3.5 Sonnet en lectura de documentos complejos y localización temporal de clips de video largos.
Capítulo 02
