Kann ich Qwen2.5 VL 72B lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwens eigener Lizenz verfügbar. Bei 72 Milliarden Parametern benötigen Sie viel VRAM – realistisch ein Multi-GPU-Setup oder eine High-End-Einzelkarte.

Was kostet die Nutzung per API?

Die Preise liegen bei 0,80 $ pro Million Eingabetokens und 1,00 $ pro Million Ausgabetokens, mit einem Kontextfenster von 128.000 Tokens.

Wie unterscheidet sich das 72B-Modell von den kleineren Qwen2.5 VL-Modellen?

Alibaba bietet auch 3B- und 7B-Varianten an; das 72B ist das Spitzenmodell und die Wahl, wenn Genauigkeit bei komplexen Dokumenten, langen Videos oder agentenbasierten Aufgaben wichtiger ist als Geschwindigkeit oder Kosten.

Qwen2.5 VL 72B Instruct

3720°

#llm #qwen #vision #agenten #datenauszug #lokal

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Qwen | 128.000 Token Kontext | $0,80/M Eingabe, $1,00/M Ausgabe. Qwen2.5-VL ist versiert im Erkennen gängiger Objekte wie Blumen, Vögel, Fische und Insekten. Es ist auch sehr fähig in der Analyse von Texten, Diagrammen, Symbolen, Grafiken und Layouts innerhalb von Bildern.

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Qwen2.5 VL 72B Instruct ist Alibabas Flaggschiff-Vision-Sprachmodell, das einen 72-Milliarden-Parameter-Sprachkern mit starker visueller Verarbeitung von Bildern und Langzeitvideos kombiniert. Es zeichnet sich durch agentenfähige Computer- und Telefonsteuerung, präzise Objekterkennung und strukturierte Ausgabe aus Dokumenten wie Rechnungen und Formularen aus. Es eignet sich für Entwickler, die Dokumentenpipelines, visuelle Agenten oder leistungsfähige multimodale Modelle mit offenen Gewichten zu einem vernünftigen API-Preis bauen.

Bekannt für

Liest Diagramme, Tabellen, Symbole und komplexe Dokumentlayouts mit hoher Genauigkeit.
Funktioniert als visueller Agent: kann Bildschirminhalte analysieren und Werkzeuge für Computer- oder Telefonsteuerung anleiten.
Lokalisierung von Objekten mit Begrenzungsrahmen oder Punkten und stabile JSON-Koordinaten als Ausgabe.
Versteht Videos über eine Stunde Länge und kann spezifische Momente darin identifizieren.
Erzeugt strukturierte Ausgaben aus gescannten Rechnungen, Formularen und Tabellen.

Achte auf

Die Lizenz ist Qwens eigene, nicht Apache oder MIT – vor kommerzieller Nutzung prüfen.
Mit 72 Milliarden Parametern erfordert die lokale Ausführung leistungsstarke Hardware und viel VRAM.
Benchmark-Ergebnisse auf MMMU und MMMU_Pro liegen etwa auf dem Niveau von GPT-4o, nicht deutlich darüber.

Am besten für

Vision

Agenten und Werkzeugnutzung

Datenextraktion

Lokal ausführbar

Langer Kontext

Prompts zum Ausprobieren

Rechnung in JSON extrahieren

Ich hänge eine gescannte Rechnung an. Extrahiere jede Position, Einzelpreis, Menge, Zwischensumme, Steuerbetrag und Gesamtsumme. Gib das Ergebnis als einzelnes JSON-Objekt mit klar benannten Schlüsseln zurück. Ist ein Feld unleserlich oder fehlt, verwende null.

Objekte beschreiben und lokalisieren

Sieh dir das angehängte Bild an. Liste jedes erkennbare Objekt auf, gib jedem eine kurze Bezeichnung und die Begrenzungsbox als [x_min, y_min, x_max, y_max] in Pixelkoordinaten relativ zur Bildgröße an. Gib das Ergebnis als JSON-Array zurück.

Diagramm analysieren

Ich hänge ein Diagramm oder eine Grafik an. Beschreibe, was es zeigt, identifiziere Achsen und Einheiten, fasse den Haupttrend oder das Ergebnis in zwei Sätzen zusammen und weise auf Auffälligkeiten oder besondere Datenpunkte hin. Sei bei Werten so genau wie möglich.

Vergleichen mit

Qwen3.7 Flash
Nur API-Modell
1,000,000 Token Kontext · $0.03/M Eingabe, $0.13/M Ausgabe
Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3.8 Omni Flash
Nur API-Modell
1,000,000 Token Kontext · $0.15/M Eingabe, $0.47/M Ausgabe
Qwen3.7 Plus
Nur API-Modell
1,000,000 Token Kontext · $0.32/M Eingabe, $1.28/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich Qwen2.5 VL 72B lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwens eigener Lizenz verfügbar. Bei 72 Milliarden Parametern benötigen Sie viel VRAM – realistisch ein Multi-GPU-Setup oder eine High-End-Einzelkarte.
Was kostet die Nutzung per API?: Die Preise liegen bei 0,80 $ pro Million Eingabetokens und 1,00 $ pro Million Ausgabetokens, mit einem Kontextfenster von 128.000 Tokens.
Wie unterscheidet sich das 72B-Modell von den kleineren Qwen2.5 VL-Modellen?: Alibaba bietet auch 3B- und 7B-Varianten an; das 72B ist das Spitzenmodell und die Wahl, wenn Genauigkeit bei komplexen Dokumenten, langen Videos oder agentenbasierten Aufgaben wichtiger ist als Geschwindigkeit oder Kosten.

Captain's Urteil
Ein ernstzunehmendes offenes Vision-Modell, das seine Berechtigung hat, wenn Sie Dokumentenverarbeitung, visuelle Agenten oder Langzeitvideo-Verständnis ohne geschlossene API-Abhängigkeit brauchen.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Gemini 3.1 Pro Preview

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen2.5 VL 72B Instruct ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm qwen vision agenten datenauszug lokal langer kontext

Nach Modellfamilie stöbern