Puis-je exécuter Qwen2.5 7B Instruct localement ?

Oui, les poids sont ouverts et hébergés sur Hugging Face sous Qwen/Qwen2.5-7B-Instruct. Vous pouvez le charger avec la bibliothèque transformers de Hugging Face ou l'exécuter via des outils comme Ollama ou LM Studio.

Quel est le coût et quelle est la taille du contexte ?

Via API, le tarif est de 0,10 $ par million de tokens d'entrée et 0,20 $ par million de tokens de sortie. Le modèle supporte jusqu'à 128K tokens de contexte, mais il faut activer YaRN dans la configuration pour dépasser la limite par défaut de 32K.

Comment le 7B se compare-t-il aux modèles Qwen2.5 plus grands ?

Qwen2.5 couvre de 0,5B à 72B ; le 7B est à l'extrémité basse, échangeant capacité brute contre rapidité, faible coût et possibilité de tourner sur du matériel grand public, tout en partageant les mêmes améliorations en codage, mathématiques et sortie structurée que le reste de la série.

Qwen2.5 7B Instruct

1869°

#llm #qwen #programmation #multilingue #mathématiques #local

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | contexte de 32 768 tokens | 0,10 $/M en entrée, 0,20 $/M en sortie. Qwen2.5 7B est la dernière série des grands modèles de langage Qwen. Qwen2.5 apporte les améliorations suivantes par rapport à Qwen2 : beaucoup plus de connaissances et des capacités grandement améliorées en codage et mathématiques, grâce à nos modèles experts spécialisés dans ces domaines. Améliorations significatives dans le suivi des instructions, la génération de longs textes (plus de 8K tokens), la compréhension des données structurées (par exemple, tableaux), et la génération de sorties structurées notamment en…Qwen | contexte de 32 768 tokens | 0,10 $/M en entrée, 0,20 $/M en sortie. Qwen2.5 7B est la dernière série des grands modèles de langage Qwen. Qwen2.5 apporte les améliorations suivantes par rapport à Qwen2 : beaucoup plus de connaissances et des capacités grandement améliorées en codage et mathématiques, grâce à nos modèles experts spécialisés dans ces domaines. Améliorations significatives dans le suivi des instructions, la génération de longs textes (plus de 8K tokens), la compréhension des données structurées (par exemple, tableaux), et la génération de sorties structurées notamment en JSON. Plus résistant à la diversité des prompts système, améliorant la mise en œuvre du jeu de rôle et la définition des conditions pour les chatbots. Support du contexte long jusqu'à 128K tokens et peut générer jusqu'à 8K tokens. Support multilingue pour plus de 29 langues, dont le chinois, l'anglais, le français, l'espagnol, le portugais, l'allemand, l'italien, le russe, le japonais, le coréen, le vietnamien, le thaï, l'arabe, et plus encore. L'utilisation de ce modèle est soumise à l'ACCORD DE LICENCE Tongyi QianwenOpens in new tab.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen2.5 7B Instruct est le modèle à 7,6 milliards de paramètres d'Alibaba, affiné pour les instructions, performant pour sa taille en codage, mathématiques, sortie structurée et travail multilingue dans 29 langues. À un dixième de centime par mille tokens d'entrée et avec des poids ouverts sur Hugging Face, c'est l'un des petits modèles les plus pratiques à exécuter localement ou via API. Il convient aux développeurs et chercheurs qui veulent une inférence capable et peu coûteuse sans recourir à un modèle de 70 milliards de paramètres.

Connu pour

Génération fiable de JSON et de sorties structurées, utile pour les pipelines de données
Amélioration du codage et des mathématiques par rapport à son prédécesseur Qwen2
Couverture multilingue dans 29 langues dont l'arabe, le japonais et le coréen
Génère jusqu'à 8 000 tokens en une seule réponse
Poids ouverts : téléchargez-le et exécutez-le vous-même

Attention à

La configuration par défaut supporte un contexte de 32K ; atteindre 128K nécessite d'activer manuellement YaRN dans config.json
Soumis à l'accord de licence propre à Tongyi Qianwen, ce n'est pas une licence Apache ou MIT standard

Idéal pour

Programmation

Multilingue

Mathématiques

Fonctionne localement

Budget

Prompts à essayer

Convertir un tableau en JSON

Voici un tableau en texte brut des données de ventes trimestrielles : Région | T1 | T2 | T3 | T4 Nord | 120 | 135 | 98 | 160 Sud | 88 | 91 | 110 | 105 Est | 200 | 188 | 210 | 230 Convertissez ceci en un tableau JSON où chaque objet a les clés : region, q1, q2, q3, q4. Retournez uniquement le JSON, sans explication.

Corriger et expliquer le bug

Cette fonction Python est censée retourner l'élément le plus fréquent dans une liste, mais elle contient un bug. Trouvez-le, corrigez-le et expliquez en un court paragraphe pourquoi l'original était erroné. def most_common(lst): counts = {} for item in lst: counts[item] = counts.get(item, 0) + 1 return min(counts, key=counts.get)

Traduire et résumer

Traduisez le paragraphe suivant en français, puis juste en dessous fournissez un résumé d'une phrase en anglais. "La capacité des énergies renouvelables dans le monde a crû plus rapidement que toute autre source d'énergie au cours de la dernière décennie. Les installations solaires et éoliennes représentent désormais la majorité de la nouvelle production d'électricité ajoutée chaque année, stimulées par la baisse des coûts et des politiques gouvernementales favorables dans des dizaines de pays."

Comparer avec

Qwen3 30B A3B Thinking 2507
Modèle uniquement API
Contexte de 81,920 tokens · entrée $0.20/M, sortie $2.40/M
Qwen3.5-27B
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.26/M, sortie $2.60/M
Qwen2.5 Coder 32B Instruct
Modèle à poids ouverts
Contexte de 32,768 tokens · entrée $0.66/M, sortie $1.00/M
Qwen3 Coder 30B A3B Instruct
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.07/M, sortie $0.28/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen2.5 7B Instruct localement ?: Oui, les poids sont ouverts et hébergés sur Hugging Face sous Qwen/Qwen2.5-7B-Instruct. Vous pouvez le charger avec la bibliothèque transformers de Hugging Face ou l'exécuter via des outils comme Ollama ou LM Studio.
Quel est le coût et quelle est la taille du contexte ?: Via API, le tarif est de 0,10 $ par million de tokens d'entrée et 0,20 $ par million de tokens de sortie. Le modèle supporte jusqu'à 128K tokens de contexte, mais il faut activer YaRN dans la configuration pour dépasser la limite par défaut de 32K.
Comment le 7B se compare-t-il aux modèles Qwen2.5 plus grands ?: Qwen2.5 couvre de 0,5B à 72B ; le 7B est à l'extrémité basse, échangeant capacité brute contre rapidité, faible coût et possibilité de tourner sur du matériel grand public, tout en partageant les mêmes améliorations en codage, mathématiques et sortie structurée que le reste de la série.

Verdict du capitaine
Un petit modèle vraiment utile : peu coûteux, ouvert, et qui surpasse son poids en sortie structurée et en code.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen2.5 7B Instruct est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen programmation multilingue mathématiques local budget

Parcourir par famille de modèles