模型的优势
- 能力提升方面
- 文档智能 和 视频理解
- Object grounding 通用性
- 长视频理解 与 定位
- 技术细节
- 原生动态分辨率
- 动态 FPS 采样训练
- M-ROPE 对齐绝对位置时间
- position id (time width height )
- 更快更高效的视觉编码器
模型结构与训练策略
模型架构：视觉编码器（ViT） + 语言模型
1. 朴素动态分辨率（Naive Dynamic Resolution）
2.多模态旋转位置编码嵌入（M-RoPE）
position id ：（temporal，height，width）
texts input id：相同的 position IDs，eg. [（4，4，4）]...
images position id：（temporal，height，width），eg. [（0，0，0）、（0，0，1）]...
videos position id：（temporal，height，width），eg. [（0，0，0）、（0，0，1）]、[（1，0，0）、（1，0，1）]...
3. 统一图像和视频理解（Unified Image and Video Understanding）
训练方案：图像和视频混合数据
视频采样：两帧/second，
卷积：深度为2的3D卷积
一致性：每个图像 视为 两个相同的帧
平衡长视频处理效率：每个视频的token总数限制为16384
训练数据拓展与模型性能验证
QWen2-VL-7B
- info VQA，比如高密度文字的图片
- 需要更高的分辨率，以获得更全面的信息，从而达到更准确的表现
- HallBench，处理自然图片
- 分辨率合适就可以达到好的效果
- OCRBench，小截图
- 更小的分辨率上表现更好
- MMMU，学科类问题
- 有最佳分辨率
- token 达到 80k依然保持优秀的增长
QWen2.5-VL能力应用案例
使用的提示
- 由于支持动态的分辨率，所以到底应该输入怎么样的分辨率合适
- min_pixels 和 max_poxels 用于限制最大像素和最大像素
- 模型 最少能支持 4 token，最大 16384 token （训练有达到32k）
- 实际使用中可以调到合适的范围，默认是（256~1280）
- 视频的输入：长视频输入采用短FPS，短视频输入可用更高的FPS
- 对于定位任务，可能会存在缩放分辨率大小，这里会造成模型输出的坐标定位是reset的关系，和实际会有差别。