Qwen2-VL-7B-Instruct
Alibaba · Qwen/Qwen2-VL-7B-Instruct
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
Qualidade · LMArena · visão
LMArena 2026-10-19 · preferência humana · maior é melhor · este modelo em destaque
- Cor = publicador
Fonte: LMArena 2026-10-19 · coletado 2026-10-25 · dataset · CC BY 4.0 · modelos sem pontuação não aparecem (sem pontuação ≠ 0)
1.031 ± 11 · LMArena · visão · Intervalo de confiança 1.020–1.041 · 5.766 votos
Informado pelo publicador
- MMMU val
- 54,1Image Benchmarks
- DocVQA test
- 94,5Image Benchmarks
- InfoVQA test
- 76,5Image Benchmarks
- ChartQA test
- 83,0Image Benchmarks
- TextVQA val
- 84,3Image Benchmarks
- OCRBench
- 845Image Benchmarks
- MTVQA
- 26,3Image Benchmarks
- VCR en easy
- 89,70Image Benchmarks
Todos os resultados informados
- VCR zh easy
- 59,94Image Benchmarks
- RealWorldQA
- 70,1Image Benchmarks
- MME sum
- 2.326,8Image Benchmarks
- MMBench-EN test
- 83,0Image Benchmarks
- MMBench-CN test
- 80,5Image Benchmarks
- MMBench-V1.1 test
- 80,7Image Benchmarks
- MMT-Bench test
- 63,7Image Benchmarks
- MMStar
- 60,7Image Benchmarks
- MMVet GPT-4-Turbo
- 62,0Image Benchmarks
- HallBench avg
- 50,6Image Benchmarks
- MathVista testmini
- 58,2Image Benchmarks
- MathVision
- 16,3Image Benchmarks
- MVBench
- 67,0Video Benchmarks
- PerceptionTest test
- 62,3Video Benchmarks
- EgoSchema test
- 66,7Video Benchmarks
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation › Image Benchmarks; Evaluation › Video Benchmarks); coluna “Qwen2-VL-7B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Qualidade × memória
Sem par qualidade × memória comparável
Este registro não tem nota em um benchmark comparado com memória de planejamento.
Alibaba lançou Qwen2-VL-7B-Instruct em 2024-08-30: um modelo de visão e linguagem que responde sobre imagens, com 8,29B parâmetros pela contagem do Hugging Face e licença Apache 2.0. Idiomas declarados pelo publicador: en.
Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 6,2 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Roda em
Cabe na memória rápida 90
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 90
Na memória, fora da parte rápida 26
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Mostrar todos os 26
Falta um degrau de memória 3
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
pip install qwen-vl-utilsfrom transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen2-VL-7B-Instruct", torch_dtype="auto", device_map="auto"
)
# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
# "Qwen/Qwen2-VL-7B-Instruct",
# torch_dtype=torch.bfloat16,
# attn_implementation="flash_attention_2",
# device_map="auto",
# )
# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct")
# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "Describe this image."},
],
}
]
# Preparation for inference
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
text=[text],
images=image_inputs,
videos=video_inputs,
padding=True,
return_tensors="pt",
)
inputs = inputs.to("cuda")
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- Qwen/Qwen2-VL-7B-Instruct
- Tarefa
- image-text-to-text
- Arquitetura
- Qwen2VLForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Apache 2.0Qwen/Qwen2-VL-7B-Instruct model card (Hugging Face) · consultado em 2026-10-18fonte
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
- Idiomas
- enMetadados do model card · consultado em 2026-10-25fonte
- Lançamento
- Qwen3-VL README news (GitHub) · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- eed13092ef92e448dd6875b2a00151bd3f7db0ac
- Arquitetura
- Qwen2VLForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Modelos base declarados
- Qwen/Qwen2-VL-7B
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 8.291.375.616safetensors.total
- Repositório criado
- 2024-08-28criação não é o lançamento do modelo
- Repositório atualizado
- 2025-02-06um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 601.271 · 1.295só este repositório · lido em 2026-10-25
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: Qwen/Qwen2-VL-7B-Instruct model card (Hugging Face)
- Data de lançamento: Qwen3-VL README news (GitHub)
Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































