Qwen2.5-VL-7B-Instruct

Qwen2.5-VL-7B-Instruct

一个视觉语言模型，能把图片、文档和视频与文字问题一起理解并用文字回答。适合围绕图表、扫描件、屏幕和视频片段开发应用的开发者。

由 Qwen 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Qwen2.5-VL-7B-Instruct 是 Qwen 推出的视觉语言模型，能把图片和视频与文字放在一起理解。你给它一张图、一份文档或一段视频并提出问题，它用文字回答。它是这个系列里经过指令调优的 7B 版本，系列还有 3B 和 72B 两种规模。

适合谁：适合开发需要读取文档、图表和屏幕的应用的开发者，也适合想自己运行开放多模态模型的团队。研究视频或视觉智能体的研究人员同样用得上。

Industry | Who uses it | How they use it | Example
金融 | 后台团队 | 从扫描的发票和表单中提取字段 | 把发票扫描件转成结构化数据
商业 | 产品和数据团队 | 读取图片里的表格、图表和版面 | 从截图里提取一张表
软件 | 应用开发者 | 给应用加上图片和视频问答 | 问一张图表说明了什么
研究 | 视觉和智能体研究人员 | 测试定位、长视频和屏幕操作 | 用框或点标出物体

如果你只需要文本聊天模型，可以跳过它，因为视觉部分会增加体积和配置工作。

用在哪里：

• 使用 transformers 库的 Python 脚本
• Windows、macOS 或 Linux，用 Hugging Face 的 hub 工具下载文件后即可
• 把图片、扫描页或视频片段连同文字问题一起发送的应用

Use case | Who | What they get back
读取文档和图表 | 数据和金融团队 | 从扫描件、表单和表格中得到文本和结构化输出
定位图片中的物体 | 视觉开发者 | 稳定的 JSON 格式边界框或点坐标
理解长视频 | 媒体和分析团队 | 对超过一小时视频的回答，并标出相关片段
操作屏幕 | 智能体开发者 | 用于电脑或手机操作的推理和工具指令

如何设置：

• 安装好 Python 和 pip
• 足够放下权重的内存，BF16 约 16.6 GB，4-bit 约 4.1 GB（估算值）
• transformers 库，这个模型就是为它准备的

1. 安装 Hugging Face hub 包。
2. 把模型文件下载到你的电脑。
3. 打开 Hugging Face 上的模型卡找到加载代码，再用 transformers 加载模型。

pip install -U huggingface_hub
hf download Qwen/Qwen2.5-VL-7B-Instruct

如何使用：在 Python 脚本里加载模型，给它一张图片或一段视频加一个文字问题，然后读取返回的文字。具体加载代码请看 Hugging Face 上的模型卡，这里不重复。

示例：你给它一张发票扫描件，让它把内容按结构化字段返回。它会回复整理成数据的发票信息，你可以接着交给其他工具处理。

新手与专家：如果你刚接触，先用一张图片和一个问题开始，比如问一张图表说明了什么。先对照图片检查答案，再去试视频或长文档。

专家会注意到，它的视觉编码器在 ViT 中使用窗口注意力，并配合 SwiGLU 和 RMSNorm，与 Qwen2.5 语言模型保持一致。视频训练采用动态分辨率和动态帧率采样，mRoPE 与绝对时间对齐。这种对齐让它能定位具体时刻。模型总参数约 8.3B。

你发送图片或视频和一个问题
视觉编码器读取画面
语言模型把画面和你的文字结合
它回复文字、JSON 或坐标

Title: Qwen2.5-VL-7B 图像基准分数
DocVQA test: 95.7 分
ChartQA test: 87.3 分
TextVQA val: 84.9 分
InfoVQA test: 82.6 分
MMBench-V1.1-En test: 82.6 分
MathVista testmini: 68.2 分

注意事项：

• Agent tests: 模型卡列出 ScreenSpot Pro 为 29.0、AndroidWorld_SR 为 25.5，所以较难的屏幕任务并未解决
• License: Apache 2.0
• Cost to run: 未提及，不需要 API 密钥或账号，只需要内存足够的硬件
• Data it reaches: 会从 Hugging Face 下载文件，并读取你提供的图片和视频
• Not for: 来源没有列出禁止用途，它面向图片、视频和文字，不处理音频

Hugging Face 上的数据（2026年11月13日）

• 任务：image text to text
• 框架：transformers
• 参数量：8.3B
• Weights: about 16.6 GB in BF16; about 4.1 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：5,894,471
• 点赞：1,772
• 许可证：apache-2.0
• 语言：en
• Quantized versions: 160
• Fine-tunes: 1,269
• 标签：transformers, safetensors, qwen2_5_vl, image-text-to-text, multimodal, conversational

链接

• 模型：https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct
• 文件：https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Qwen/Qwen2.5-VL-7B-Instruct

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。