/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
6 сен 2026

Qwen2.5-VL-7B-Instruct

Изображение и текст → текст15 профессий

Зеркало Qwen2.5-VL-7B-Instruct анализирует изображения, видео и текст и отвечает текстом.

39скачиваний за 30 дней0лайковвеса обновлены11 окт 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Это зеркало инструктивной мультимодальной модели Qwen2.5-VL-7B от команды Qwen, опубликованное пользователем chibifire. Модель принимает изображения, видео и текст, а генерирует текст; она предназначена для диалогового анализа визуального содержимого и локального инференса. В репозитории находятся веса в формате safetensors, токенизатор, шаблон чата и конфигурации процессора и генерации.

Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Зеркало основано на Qwen/Qwen2.5-VL-7B-Instruct и распространяется по лицензии Apache-2.0. Карточка описывает английский язык; возможности для других языков здесь не подтверждены.

Сценарии применения

  • вопросы и ответы по содержимому изображения
  • описание сцен и объектов на изображениях
  • анализ видеокадров по текстовому запросу
  • диалоговый разбор визуальных материалов
  • локальный инференс мультимодальной модели

Ограничения

В карточке подтверждён английский язык, поэтому поддержку других языков считать установленной нельзя. Для обработки изображений и видео требуются соответствующие процессор и утилиты; README отсылает за примерами к исходной карточке модели.

Для каких профессий подходит15

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-7B-Instruct

Mirror of Qwen's Qwen2.5-VL 7B instruction-tuned vision-language model, in Transformers safetensors form.

What it is for

This repo is a mirror of the instruction-tuned 7B Qwen2.5-VL model from the Qwen team. The model reads images, video and text, and writes text. It holds the sharded safetensors weights with the tokenizer, chat template, processor config and generation config. Use it as a pinned copy of the upstream weights for local inference and for conversion.

Provenance

Use

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

MODEL_ID = "chibifire/Qwen2.5-VL-7B-Instruct"
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(MODEL_ID, torch_dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(MODEL_ID)

For image and video input, qwen_vl_utils and full examples, read the upstream model card.

Licence

Apache 2.0, the upstream licence. Terms: https://www.apache.org/licenses/LICENSE-2.0. These terms travel with the weights. Keep this link when you copy or redistribute them.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
f306b1b

0 моделей