Qwen2.5-VL-7B-Instruct

Qwen2.5-VL-7B-Instructは、画像、テキスト、ビデオを処理し、構造化された出力と視覚的な位置特定をサポートするビジョン言語モデルです。チャート、グラフィック、レイアウトを分析でき、長時間のビデオシーケンスの時間的推論も可能です。

このモデルは、ドキュメント分析、イベント検出、視覚コンテンツからの構造化データ抽出に使用されることを想定しています。出力には、バウンディングボックス、点、構造化されたJSONデータが含まれます。