Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

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

Informado pelo publicador29 resultadosFicha de Alibaba · lida em 2026-10-25 · sem ranking · ver
Memória necessária~7 GBPesos Q4 + margem, antes da reserva da máquina
Parâmetros8,3 BTotal de safetensors no Hub
Repositório atualizado2025-04-06Um commit não é data de lançamento

Qualidade

Sem score comparável

Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.

Informado pelo publicador

29 resultados · ficha de Alibaba · lida em 2026-10-25
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 informados29
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.

Considere para

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.

Confira antes

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.

Preparação indicada antes pela fonte · Transformers
# It's highly recommanded to use `[decord]` feature for faster video loading.
pip install qwen-vl-utils[decord]==0.0.8
Transformers · ficha do modelo · Using 🤗 Transformers to Chat
from 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)

Escolher meu computador

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 guardados12 campos
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.

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.