Kan jag köra Qwen2.5 72B lokalt?

Ja, vikterna är öppna och finns på Hugging Face under Tongyi Qianwen-licensen. Med 72 miljarder parametrar behöver du betydande VRAM — kvantiserade GGUF-versioner minskar hårdvarukraven avsevärt.

Vad kostar det och hur mycket kontext stödjer den?

Via API kostar det 0,36 USD per miljon inmatningstoken och 0,40 USD per miljon utgångstoken. Modellen stödjer upp till 128K token kontext, men standardinställningen är 32K och förlängning kräver aktivering av YaRN i konfigurationen.

Hur skiljer sig 72B från mindre Qwen2.5-modeller?

Qwen2.5 sträcker sig från 0,5B till 72B; 72B är den största och mest kapabla med bäst prestanda på kodning, matematik och strukturerade uppgifter — de mindre varianterna byter kapacitet mot snabbhet och lägre hårdvarukostnad.

Qwen2.5 72B Instruct

2591°

#llm #qwen #kodning #matematik #fler språk #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

qwen | 32,768 token context | $0.36/M input, $0.40/M output. Qwen2.5 72B är den senaste serien av Qwen stora språkmodeller. Qwen2.5 medför följande förbättringar jämfört med Qwen2: Betydligt mer kunskap och kraftigt förbättrade förmågor inom kodning och matematik, tack vare våra specialiserade expertmodeller inom dessa områden. Betydande förbättringar i instruktionefterlevnad, generering av långa texter (över 8K tokens), förståelse av strukturerad data (t.ex. tabeller) och generering av strukturerade utdata, särskilt JSON. Mer motståndskraftig mot variationer i systempromptar, vilket…qwen | 32,768 token context | $0.36/M input, $0.40/M output. Qwen2.5 72B är den senaste serien av Qwen stora språkmodeller. Qwen2.5 medför följande förbättringar jämfört med Qwen2: Betydligt mer kunskap och kraftigt förbättrade förmågor inom kodning och matematik, tack vare våra specialiserade expertmodeller inom dessa områden. Betydande förbättringar i instruktionefterlevnad, generering av långa texter (över 8K tokens), förståelse av strukturerad data (t.ex. tabeller) och generering av strukturerade utdata, särskilt JSON. Mer motståndskraftig mot variationer i systempromptar, vilket förbättrar rollspelsimplementering och villkorsinställning för chatbots. Långkontextstöd upp till 128K tokens och kan generera upp till 8K tokens. Flerspråkigt stöd för över 29 språk, inklusive kinesiska, engelska, franska, spanska, portugisiska, tyska, italienska, ryska, japanska, koreanska, vietnamesiska, thailändska, arabiska med flera. Användning av denna modell är föremål för Tongyi Qianwen LICENSE AGREEMENTOpens in new tab.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen2.5 72B Instruct är Alibabas flaggskeppsmodell med öppna vikter, som toppar Qwen2.5-familjen. Den utmärker sig med stark kodning och matematik, pålitlig JSON-utdata och verklig flerspråkig räckvidd över 29 språk. Om du vill ha en kapabel, självhostad modell som hanterar strukturerade uppgifter utan ständig tillsyn är detta ett seriöst alternativ.

Känd för

Stark kodning och matematik, förstärkt med specialiserad träningsdata
Pålitlig strukturerad utdata, särskilt JSON och tabellförståelse
Flerspråkig över 29 språk inklusive arabiska, japanska och koreanska
Hanterar långa genereringar upp till 8K token utan att tappa tråden
Robust mot varierande systempromptar; fungerar väl i rollspel och chatbot-miljöer

Se upp för

Standardkonfigurationen begränsar kontext till 32K; för att nå 128K krävs manuell YaRN-konfiguration.
Tongyi Qianwen-licensen gäller — inte en standard öppen källkodslicens; kontrollera kommersiella villkor.
72B innebär höga VRAM-krav för lokal användning; planera för multi-GPU eller kvantiserade vikter.

Bäst för

Promptar att prova

Debugga och förklara kod

Här är en Python-funktion som ska parsa en CSV-fil och returnera en lista med dicts, men den tappar tyst rader när ett fält innehåller ett komma inom citattecken. Hitta buggen, fixa den och förklara på enkelt språk varför originalet misslyckades.

Extrahera strukturerad JSON

Läs följande ostrukturerade mötesanteckningar och returnera ett JSON-objekt med nycklarna: date, attendees (array), decisions (array) och action_items (array med ägare och deadline för varje). Anteckningar: 'March 3rd catch-up. Sarah, Tom, and Priya. We agreed to launch the beta on March 20th. Tom will update the docs by March 10th. Priya handles user comms by March 15th.'

Flerspråkig översättningskontroll

Översätt följande engelska produktansvarsfriskrivning till franska, spanska och arabiska. Granska sedan varje översättning för termer som kan ha oavsiktlig juridisk eller kulturell betydelse på respektive marknad, och markera med en kort notis. Text: 'Results may vary. This product is not intended to diagnose, treat, cure, or prevent any disease.'

Jämför med

Qwen3 30B A3B Thinking 2507
Endast API-modell
81,920 tokens kontext · $0.20/M indata, $2.40/M utdata
Qwen3.5-27B
Öppen vikt-modell
262,144 tokens kontext · $0.26/M indata, $2.60/M utdata
Qwen2.5 Coder 32B Instruct
Öppen vikt-modell
32,768 tokens kontext · $0.66/M indata, $1.00/M utdata
Qwen3 235B A22B Instruct 2507
Öppen vikt-modell
262,144 tokens kontext · $0.09/M indata, $0.55/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen2.5 72B lokalt?: Ja, vikterna är öppna och finns på Hugging Face under Tongyi Qianwen-licensen. Med 72 miljarder parametrar behöver du betydande VRAM — kvantiserade GGUF-versioner minskar hårdvarukraven avsevärt.
Vad kostar det och hur mycket kontext stödjer den?: Via API kostar det 0,36 USD per miljon inmatningstoken och 0,40 USD per miljon utgångstoken. Modellen stödjer upp till 128K token kontext, men standardinställningen är 32K och förlängning kräver aktivering av YaRN i konfigurationen.
Hur skiljer sig 72B från mindre Qwen2.5-modeller?: Qwen2.5 sträcker sig från 0,5B till 72B; 72B är den största och mest kapabla med bäst prestanda på kodning, matematik och strukturerade uppgifter — de mindre varianterna byter kapacitet mot snabbhet och lägre hårdvarukostnad.

Kaptens omdöme
En välbalanserad öppen viktad arbetshäst som motiverar sin storlek på strukturerade uppgifter, kod och flerspråkigt arbete — bara se över licensen innan du levererar.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Mistral Large 3 2512

TEXT / LLM

Mistral Nemo Instruct 2407

AI-modeller för bild-, video- och textgenerering

Qwen2.5 72B Instruct är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen kodning matematik fler språk lokal datautvinning

Bläddra efter modellfamilj