Qwen2-VL-72B, Qwen-VL मॉडल का नवीनतम पुनरावृत्ति है, जो लगभग एक वर्ष के नवाचारों का प्रतिनिधित्व करता है। यह मॉडल MathVista, DocVQA, RealWorldQA, MTVQA आदि सहित दृश्य समझ के मानक परीक्षणों में अत्याधुनिक प्रदर्शन प्राप्त करता है। यह 20 मिनट से अधिक लंबे वीडियो को समझ सकता है और मोबाइल फोन, रोबोट आदि उपकरणों में एकीकृत किया जा सकता है, जो दृश्य वातावरण और पाठ निर्देशों के आधार पर स्वचालित संचालन करता है। अंग्रेजी और चीनी के अलावा, Qwen2-VL अब अधिकांश यूरोपीय भाषाओं, जापानी, कोरियाई, अरबी, वियतनामी आदि सहित छवि में विभिन्न भाषाओं के पाठ की समझ का समर्थन करता है। मॉडल आर्किटेक्चर के अद्यतनों में Naive Dynamic Resolution और Multimodal Rotary Position Embedding (M-ROPE) शामिल हैं, जो इसकी बहु-मोडल प्रसंस्करण क्षमता को बढ़ाते हैं।