/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Qwen2.5-VL-3B-Instruct
Опубликована
10 июн 2026

Qwen2.5-VL-3B-Instruct-GGUF

Изображение и текст → текст7 профессий

DhruvalLabs/Qwen2.5-VL-3B-Instruct-GGUF — это квантованные версии мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанной Qwen и подготовленные Dhptl с использованием quant-kit.

905скачиваний за 30 дней0лайковвеса обновлены11 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для работы с текстом и изображениями: она может отвечать на вопросы по изображениям, описывать визуальное содержимое и выполнять обычную генерацию текста. Поддерживаются llama.cpp, LM Studio, Jan и Ollama, что делает модель подходящей для локального запуска на устройствах с ограниченными ресурсами.

Архитектура состоит из двух компонентов: текстовой основы Qwen2.5-VL-3B-Instruct в формате GGUF и отдельного vision encoder в файле mmproj. Доступны варианты квантования от Q2_K до Q8_0; рекомендуемым указан Q4_K_M, размер которого составляет 1,80 ГБ при потребности примерно в 3,3 ГБ RAM. Vision encoder всегда поставляется в формате F16 и требует около 1,25 ГБ. Для работы с изображениями необходимо скачать оба файла и разместить их в одной папке.

Сильные стороны модели — мультимодальность, небольшие размеры квантованных файлов и возможность локального запуска через популярные инструменты. Более сильное квантование экономит память, но приводит к заметной потере качества; варианты Q6_K и Q8_0 ближе к качеству оригинала, но требуют больше RAM. В README не указаны точные характеристики контекстного окна и полный список поддерживаемых языков; заявлен английский язык. Модель распространяется по лицензии qwen-research.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen2.5-VL-3B-Instruct — GGUF Quantizations (VLM)

Model on HF Original Model quant-kit

Quantized GGUF versions of Qwen/Qwen2.5-VL-3B-Instruct

This is a Vision-Language Model (VLM) — it can understand both text and images.

Works with llama.cpp · LM Studio · Jan · Ollama

Quantized by Dhptl on June 11, 2026 using quant-kit


[!IMPORTANT] This VLM requires TWO files — a text backbone GGUF and the mmproj vision encoder GGUF. Download one text backbone (e.g. Q4_K_M) and the mmproj file. Both must be in the same folder.


📦 Available Files

🔤 Text Backbone (quantized — pick ONE)

FilenameSizeRAM RequiredQuantQualityBest For
Qwen2.5-VL-3B-Instruct-Q2_K.gguf1.19 GB~2.7 GBQ2_K⭐Extreme compression, significant quality loss.
Qwen2.5-VL-3B-Instruct-Q3_K_L.gguf1.59 GB~3.1 GBQ3_K_L⭐⭐⭐Slightly better than Q3_K_M, still a compromise.
Qwen2.5-VL-3B-Instruct-Q3_K_M.gguf1.48 GB~3.0 GBQ3_K_M⭐⭐⭐Very small file. Quality drop noticeable.
Qwen2.5-VL-3B-Instruct-Q3_K_S.gguf1.35 GB~2.9 GBQ3_K_S⭐⭐Very high compression, high quality loss.
Qwen2.5-VL-3B-Instruct-Q4_K_M.gguf1.80 GB~3.3 GBQ4_K_M ✅ Recommended⭐⭐⭐⭐Best balance of size and quality. Recommended for most users.
Qwen2.5-VL-3B-Instruct-Q4_K_S.gguf1.71 GB~3.2 GBQ4_K_S⭐⭐⭐½Good speed/size balance, slight quality loss.
Qwen2.5-VL-3B-Instruct-Q5_K_M.gguf2.07 GB~3.6 GBQ5_K_M⭐⭐⭐⭐½Better quality than Q4, slightly larger. Great if you have the RAM.
Qwen2.5-VL-3B-Instruct-Q5_K_S.gguf2.02 GB~3.5 GBQ5_K_S⭐⭐⭐⭐Large but accurate.
Qwen2.5-VL-3B-Instruct-Q6_K.gguf2.36 GB~3.9 GBQ6_K⭐⭐⭐⭐⭐Near-perfect quality, very large.
Qwen2.5-VL-3B-Instruct-Q8_0.gguf3.06 GB~4.6 GBQ8_0⭐⭐⭐⭐⭐Closest to original quality. Use when RAM is not a concern.

🖼️ Vision Encoder — mmproj (always required, always F16)

FilenameSizeNotes
Qwen2.5-VL-3B-Instruct-mmproj-f16.gguf1.25 GBAlways F16 — vision encoder is not quantized

⚠️ You need BOTH files — one text backbone + the mmproj — to run this VLM.


⚡ Speed Benchmarks

Run python benchmark.py --model Qwen2.5-VL-3B-Instruct to generate results.


🚀 How to Use

LM Studio (Easiest — GUI)

  1. Search for Dhptl/Qwen2.5-VL-3B-Instruct in LM Studio
  2. Download the Q4_K_M text file and the mmproj file
  3. Load the model — LM Studio automatically uses both files

Ollama

ollama run dhptl/qwen2.5-vl-3b-instruct

llama.cpp CLI — Text + Image

# Download both files to the same directory, then:
./llama-llava-cli \
  -m Qwen2.5-VL-3B-Instruct-Q4_K_M.gguf \
  --mmproj Qwen2.5-VL-3B-Instruct-mmproj-f16.gguf \
  --image /path/to/your/image.jpg \
  -p "Describe this image in detail." \
  -n 512

llama.cpp CLI — Text only (no image)

./llama-cli \
  -m Qwen2.5-VL-3B-Instruct-Q4_K_M.gguf \
  -p "You are a helpful assistant." \
  --conversation

Python — llama-cpp-python

from llama_cpp import Llama
from llama_cpp.llama_chat_format import Llava16ChatHandler

# Load VLM with mmproj
chat_handler = Llava16ChatHandler(clip_model_path="./Qwen2.5-VL-3B-Instruct-mmproj-f16.gguf")
llm = Llama(
    model_path="./Qwen2.5-VL-3B-Instruct-Q4_K_M.gguf",
    chat_handler=chat_handler,
    n_gpu_layers=-1,
    n_ctx=4096,
    logits_all=True,
)

# Text + image inference
response = llm.create_chat_completion(
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
                {"type": "text",      "text":      "What do you see in this image?"}
            ]
        }
    ]
)
print(response["choices"][0]["message"]["content"])

🔍 VLM Architecture

This model uses a two-component architecture:

ComponentFilePurpose
Text BackboneQwen2.5-VL-3B-Instruct-Q4_K_M.ggufLanguage understanding & generation
Vision Encoder (mmproj)Qwen2.5-VL-3B-Instruct-mmproj-f16.ggufImage feature extraction (always F16)

Why is mmproj always F16? The vision encoder maps image pixels to token embeddings. Quantizing it causes visible visual artifacts and degraded image understanding. It stays at F16 (half precision) which is already very efficient at ~1-2GB for most models.


🔍 About GGUF Quantization

FormatBits/weightQuality
Q3_K_M~3.3⭐⭐⭐
Q4_K_M~4.5⭐⭐⭐⭐ ← recommended
Q5_K_M~5.6⭐⭐⭐⭐½
Q8_0~8.5⭐⭐⭐⭐⭐

💬 Community & Feedback

Found an issue? Open a Discussion in the Community tab.

If useful, please:

  • ⭐ Star quant-kit on GitHub
  • 👍 Like this model on HuggingFace

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
40859f2

0 моделей