CogVLM2是一款视觉语言模型（VisualLanguageModel），由智谱AI和清华KEG潜心打磨。这款模型是CogVLM的升级版本，支持高达1344*1344的图像分辨率，提供支持中英文双语的开源模型版本。这类模型可以做很多跨领域的活儿，比如给图片配上描述文字、回答关于图片的问题（这叫VQA，就是视觉问

 引子之前写过一篇CogVLM的分享，感兴趣的移步https://blog.csdn.net/zzq1989_/article/details/138337071?spm=1001.2014.3001.5501，前一阵子，CogVLMv2横空出世，支持视频理解功能，OK，那就让我们开始吧。一、模型介绍CogVLM2 系列模型开源了两款基于 Meta-Llama-3-8B-Instruct 开