Czy mogę uruchomić Qwen2.5 VL 72B lokalnie?

Tak, wagi są otwarte i dostępne na Hugging Face na licencji Qwen. Przy 72 miliardach parametrów potrzebujesz znacznej ilości VRAM — realistycznie konfiguracji multi-GPU lub wysokiej klasy pojedynczej karty.

Ile kosztuje użycie przez API?

Cena to 0,80 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych, z oknem kontekstu 128 000 tokenów.

Jak 72B wypada na tle mniejszych modeli Qwen2.5 VL?

Alibaba oferuje także warianty 3B i 7B; 72B to szczyt rodziny i model do wyboru, gdy dokładność na złożonych dokumentach, długich filmach lub zadaniach agentowych jest ważniejsza niż szybkość czy koszt.

Qwen2.5 VL 72B Instruct

3720°

#llm #qwen #wizja #agenci #ekstrakcja danych #lokalny

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

Qwen | kontekst 128 000 tokenów | 0,80 USD/M wejścia, 1,00 USD/M wyjścia. Qwen2.5-VL jest biegły w rozpoznawaniu powszechnych obiektów, takich jak kwiaty, ptaki, ryby i owady. Jest również bardzo zdolny do analizy tekstów, wykresów, ikon, grafik i układów w obrazach.

Poradniki do tego modelu

Ollama vs LM Studio (2026): którą lokalną aplikację AI wybrać i które topowe modele obsługuje każda z nich

Ile VRAM naprawdę potrzebuję do lokalnej AI?

Otwarte wagi vs otwarte źródła vs tylko API: co naprawdę możesz robić

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

Qwen2.5 VL 72B Instruct to flagowy model wizji i języka Alibaba, łączący 72-miliardowy rdzeń językowy z silnym rozumieniem wizualnym obrazów i długich filmów. Wyróżnia się jako agent do obsługi komputera i telefonu, precyzyjnym lokalizowaniem obiektów oraz generowaniem ustrukturyzowanych danych z dokumentów, takich jak faktury i formularze. Nadaje się dla deweloperów budujących pipeline'y dokumentów, agentów wizualnych lub czegokolwiek, co potrzebuje zdolnego modelu multimodalnego z otwartymi wagami i rozsądną ceną API.

Znany z

Czyta wykresy, tabele, ikony i gęste układy dokumentów z wysoką dokładnością.
Działa jako agent wizualny: potrafi analizować ekran i kierować narzędziami do obsługi komputera lub telefonu.
Lokalizuje obiekty za pomocą ramek ograniczających lub punktów i zwraca stabilne współrzędne JSON.
Rozumie filmy trwające ponad godzinę i potrafi wskazać konkretne momenty.
Generuje ustrukturyzowane dane ze skanowanych faktur, formularzy i tabel.

Uważaj na

Licencja jest własna Qwen, nie Apache ani MIT — sprawdź ją przed wdrożeniem komercyjnym.
Przy 72 miliardach parametrów lokalne uruchomienie wymaga poważnego sprzętu; spodziewaj się dużych wymagań VRAM.
Wyniki benchmarków MMMU i MMMU_Pro są na poziomie GPT-4o, bez wyraźnej przewagi.

Najlepszy do

Wizja

Agenci i użycie narzędzi

Ekstrakcja danych

Działa lokalnie

Długi kontekst

Podpowiedzi do wypróbowania

Wyodrębnij fakturę do JSON

Załączam zeskanowaną fakturę. Wyodrębnij każdy element pozycji, cenę jednostkową, ilość, sumę częściową, kwotę podatku i sumę końcową. Zwróć wynik jako pojedynczy obiekt JSON z jasno nazwanymi kluczami. Jeśli pole jest nieczytelne lub brakujące, użyj null.

Opisz i zlokalizuj obiekty

Spójrz na załączony obraz. Wypisz każdy rozpoznany obiekt, nadaj mu krótką etykietę i podaj ramkę ograniczającą jako [x_min, y_min, x_max, y_max] w pikselach względem wymiarów obrazu. Zwróć wynik jako tablicę JSON.

Analiza wykresu

Załączam wykres lub diagram. Opisz, co pokazuje, zidentyfikuj osie i jednostki, podsumuj główny trend lub wniosek w dwóch zdaniach i zaznacz wszelkie anomalie lub wyróżniające się punkty danych. Bądź konkretny co do wartości, jeśli możesz je odczytać.

Porównaj z

Qwen3.7 Flash
Model tylko z API
Kontekst 1,000,000 tokenów · $0.03/M wejście, $0.13/M wyjście
Qwen3.8 Max (0902)
Model tylko z API
Kontekst 1,000,000 tokenów · $2.00/M wejście, $6.00/M wyjście
Qwen3.8 Omni Flash
Model tylko z API
Kontekst 1,000,000 tokenów · $0.15/M wejście, $0.47/M wyjście
Qwen3.7 Plus
Model tylko z API
Kontekst 1,000,000 tokenów · $0.32/M wejście, $1.28/M wyjście

Więcej modeli tekstowych od qwen

Pytania, które ludzie zadają

Czy mogę uruchomić Qwen2.5 VL 72B lokalnie?: Tak, wagi są otwarte i dostępne na Hugging Face na licencji Qwen. Przy 72 miliardach parametrów potrzebujesz znacznej ilości VRAM — realistycznie konfiguracji multi-GPU lub wysokiej klasy pojedynczej karty.
Ile kosztuje użycie przez API?: Cena to 0,80 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych, z oknem kontekstu 128 000 tokenów.
Jak 72B wypada na tle mniejszych modeli Qwen2.5 VL?: Alibaba oferuje także warianty 3B i 7B; 72B to szczyt rodziny i model do wyboru, gdy dokładność na złożonych dokumentach, długich filmach lub zadaniach agentowych jest ważniejsza niż szybkość czy koszt.

Wyrok kapitana
Poważny model wizji z otwartymi wagami, który sprawdza się, gdy potrzebujesz parsowania dokumentów, agentów wizualnych lub rozumienia długich filmów bez zależności od zamkniętego API.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Modele AI do generowania obrazów, wideo i tekstu

Qwen2.5 VL 72B Instruct to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm qwen wizja agenci ekstrakcja danych lokalny długi kontekst

Przeglądaj według rodziny modeli

Modele Text / LLM

434