تا حالا مدلی دیدی که بتونه ویدیوهای چندساعته رو موشکافانه بررسی کنه، متن روی عکس‌های کج یا پر از کاراکتر خاص رو درست بخونه و حتی از روی یه طرح اولیه برات نمودار Draw.io بسازه؟ 🤔
مدل Qwen3-VL دقیقا برای همین طراحی شده؛ یه نسل تازه از مدل‌های بینایی‌ـ‌زبانی با توانایی‌های شگفت‌انگیز. 🧠
🔍 ویژگی‌های کلیدی
- تشخیص رویدادها در ویدیو تا ۲ ساعت📌 مرجع تخصصی هوش مصنوعی و علم داده
- تشخیص متن (OCR) ارتقاءیافته: پشتیبانی از ۳۲ زبان (با دقت بیشتر روی کاراکترهای نادر و متن‌های مایل)
- کانتکست بومی ۲۵۶K توکن، قابل گسترش تا ۱M توکن
- پیشتاز در شناسایی ریسک در شرایط واقعی
این مدل به صورت متن‌باز روی ModelScope، Hugging Face، GitHub و در Alibaba Cloud Model Studio در دسترسه.
🤖 دیتایاد / datayad@