Bisakah saya menjalankan Qwen2.5 VL 72B secara lokal?

Ya, bobotnya terbuka dan tersedia di Hugging Face dengan lisensi milik Qwen sendiri. Dengan 72 miliar parameter, Anda akan membutuhkan VRAM besar — secara realistis pengaturan multi-GPU atau kartu tunggal kelas atas.

Berapa biaya penggunaan via API?

Harga $0,80 per juta token input dan $1,00 per juta token output, dengan jendela konteks 128.000 token.

Bagaimana perbandingan 72B dengan model Qwen2.5 VL yang lebih kecil?

Alibaba juga menawarkan varian 3B dan 7B; 72B adalah puncak keluarga dan pilihan saat akurasi pada dokumen kompleks, video panjang, atau tugas agen lebih penting daripada kecepatan atau biaya.

Qwen2.5 VL 72B Instruct

3720°

#llm #qwen #visi #agen #ekstraksi data #lokal

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Qwen | konteks 128.000 token | $0.80/M input, $1.00/M output. Qwen2.5-VL mahir mengenali objek umum seperti bunga, burung, ikan, dan serangga. Juga sangat mampu menganalisis teks, grafik, ikon, grafik, dan tata letak dalam gambar.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Bobot terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya boleh kamu lakukan

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Qwen2.5 VL 72B Instruct adalah model visi-bahasa unggulan dari Alibaba, menggabungkan inti bahasa 72 miliar parameter dengan pemahaman visual kuat pada gambar dan video berdurasi panjang. Model ini menonjol untuk penggunaan agen komputer dan ponsel, lokalisasi objek yang presisi, dan output terstruktur dari dokumen seperti faktur dan formulir. Cocok untuk pengembang yang membangun pipeline dokumen, agen visual, atau apa pun yang membutuhkan model multimodal dengan bobot terbuka dan harga API yang wajar.

Dikenal untuk

Membaca grafik, tabel, ikon, dan tata letak dokumen padat dengan akurasi tinggi.
Bertindak sebagai agen visual: dapat menalar di layar dan mengarahkan alat untuk penggunaan komputer atau ponsel.
Melokalisasi objek dengan kotak pembatas atau titik dan menghasilkan koordinat JSON yang stabil.
Memahami video berdurasi lebih dari satu jam dan dapat menunjuk momen spesifik di dalamnya.
Menghasilkan output terstruktur dari faktur, formulir, dan tabel yang dipindai.

Waspadai

Lisensinya milik Qwen sendiri, bukan Apache atau MIT — periksa sebelum digunakan secara komersial.
Dengan 72 miliar parameter, menjalankan secara lokal membutuhkan perangkat keras serius; harapkan kebutuhan VRAM yang besar.
Skor benchmark pada MMMU dan MMMU_Pro kira-kira setara dengan GPT-4o, tidak jelas lebih unggul.

Terbaik untuk

Penglihatan

Agen dan penggunaan alat

Ekstraksi data

Jalankan secara lokal

Konteks panjang

Prompt untuk dicoba

Ekstrak faktur ke JSON

Saya melampirkan faktur yang dipindai. Ekstrak setiap item baris, harga satuan, kuantitas, subtotal, jumlah pajak, dan total keseluruhan. Kembalikan hasil sebagai objek JSON tunggal dengan kunci yang jelas. Jika suatu bidang tidak terbaca atau tidak ada, gunakan null.

Deskripsikan dan lokalisasi objek

Lihat gambar terlampir. Daftar setiap objek berbeda yang dapat Anda identifikasi, berikan label singkat untuk masing-masing, dan sediakan kotak pembatasnya sebagai [x_min, y_min, x_max, y_max] dalam koordinat piksel relatif terhadap dimensi gambar. Kembalikan hasil sebagai array JSON.

Analisis grafik

Saya melampirkan grafik atau diagram. Jelaskan apa yang ditampilkan, identifikasi sumbu dan satuan, ringkas tren utama atau temuan dalam dua kalimat, dan tandai anomali atau titik data yang menonjol. Sebutkan nilai secara spesifik jika bisa dibaca.

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · $0.03/M input, $0.13/M output
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · $2.00/M input, $6.00/M output
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · $0.15/M input, $0.47/M output
Qwen3.7 Plus
Model hanya API
konteks 1,000,000 token · $0.32/M input, $1.28/M output

Model teks lain dari qwen

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Qwen2.5 VL 72B secara lokal?: Ya, bobotnya terbuka dan tersedia di Hugging Face dengan lisensi milik Qwen sendiri. Dengan 72 miliar parameter, Anda akan membutuhkan VRAM besar — secara realistis pengaturan multi-GPU atau kartu tunggal kelas atas.
Berapa biaya penggunaan via API?: Harga $0,80 per juta token input dan $1,00 per juta token output, dengan jendela konteks 128.000 token.
Bagaimana perbandingan 72B dengan model Qwen2.5 VL yang lebih kecil?: Alibaba juga menawarkan varian 3B dan 7B; 72B adalah puncak keluarga dan pilihan saat akurasi pada dokumen kompleks, video panjang, atau tugas agen lebih penting daripada kecepatan atau biaya.

Putusan Kapten
Model visi bobot terbuka yang serius dan layak dipilih saat Anda membutuhkan pemrosesan dokumen, agen visual, atau pemahaman video panjang tanpa ketergantungan API tertutup.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Qwen3.8 2.4T A95B

TEXT / LLM

NVIDIA Nemotron 3 Super 120B A12B

TEXT / LLM

Sonar Reasoning Pro

TEXT / LLM

Qwen3 30B A3B Instruct 2507

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Qwen2.5 VL 72B Instruct adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm qwen visi agen ekstraksi data lokal konteks panjang

Jelajahi berdasarkan Keluarga Model