Qwen2.5-VL-7B-Instruct
Alibaba · Qwen/Qwen2.5-VL-7B-Instruct
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
- MMMU val
- 58,6Image benchmark
- MMMU-Pro val
- 41,0Image benchmark
- DocVQA test
- 95,7Image benchmark
- InfoVQA test
- 82,6Image benchmark
- ChartQA test
- 87,3Image benchmark
- TextVQA val
- 84,9Image benchmark
- OCRBench
- 864Image benchmark
- CC_OCR
- 77,8Image benchmark
Todos os resultados informados
- MMStar
- 63,9Image benchmark
- MMBench-V1.1-En test
- 82,6Image benchmark
- MMT-Bench test
- 63,6Image benchmark
- MMVet GPT-4-Turbo
- 67,1Image benchmark
- HallBench avg
- 52,9Image benchmark
- MathVista testmini
- 68,2Image benchmark
- MathVision
- 25,07Image benchmark
- MVBench
- 69,6Video Benchmarks
- PerceptionTest test
- 70,5Video Benchmarks
- LVBench
- 45,3Video Benchmarks
- LongVideoBench
- 54,7Video Benchmarks
- MMBench-Video
- 1,79Video Benchmarks
- TempCompass
- 71,7Video Benchmarks
- MLVU
- 70,2Video Benchmarks
- ScreenSpot
- 84,7Agent benchmark
- ScreenSpot Pro
- 29,0Agent benchmark
- AITZ_EM
- 81,9Agent benchmark
- Android Control High_EM
- 60,1Agent benchmark
- Android Control Low_EM
- 93,7Agent benchmark
- AndroidWorld_SR
- 25,5Agent benchmark
- MobileMiniWob++_SR
- 91,4Agent benchmark
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Evaluation › Image benchmark; Evaluation › Video Benchmarks); coluna “Qwen2.5-VL-7B”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
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.
Alibaba lançou Qwen2.5-VL-7B-Instruct em 2025-01-26: 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.
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.
# It's highly recommanded to use `[decord]` feature for faster video loading.
pip install qwen-vl-utils[decord]==0.0.8from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# default: Load the model on the available device(s)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen2.5-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 = Qwen2_5_VLForConditionalGeneration.from_pretrained(
# "Qwen/Qwen2.5-VL-7B-Instruct",
# torch_dtype=torch.bfloat16,
# attn_implementation="flash_attention_2",
# device_map="auto",
# )
# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-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 range of 256-1280, to balance performance and cost.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-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/Qwen2.5-VL-7B-Instruct
- Tarefa
- image-text-to-text
- Arquitetura
- Qwen2_5_VLForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Apache 2.0Qwen/Qwen2.5-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
- Qwen2.5-VL blog (Qwen), published January 26, 2025: open-sources 3B, 7B and 72B base and instruct models on Hugging Face and ModelScope · consultado em 2026-10-10fonte
Todos os campos guardados
- Revisão conferida
- cc594898137f460bfe9f0759e9844b3ce807cfb5
- Arquitetura
- Qwen2_5_VLForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 8.292.166.656safetensors.total
- Repositório criado
- 2025-01-26criação não é o lançamento do modelo
- Repositório atualizado
- 2025-04-06um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 5.133.806 · 1.753só 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/Qwen2.5-VL-7B-Instruct model card (Hugging Face)
- Data de lançamento: Qwen2.5-VL blog (Qwen), published January 26, 2025: open-sources 3B, 7B and 72B base and instruct models on Hugging Face and ModelScope
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.






























































