Qwen2.5-VL

Aktuell die Referenz für lokales Dokumenten-Verständnis: exzellente OCR (auch Handschrift/Tabellen), versteht Videos, kann Objekte lokalisieren.

So nutzt du es

Am einfachsten per Ollama: ollama pull <modellname> und dann ollama run <modellname> — oder komfortabel mit LM Studio (grafische Oberfläche, Modell-Suche eingebaut). Die Hardware-Angaben unten beziehen sich auf die übliche 4-Bit-Quantisierung (Q4).

Größen & Hardware

• Verfügbare Größen: 3B / 7B / 32B / 72B
• Empfohlene Hardware (Q4): 7B: 10 GB · 32B: 24–32 GB

Im Detail

Qwen2.5-VL ist derzeit eines der leistungsfähigsten offenen Vision-Modelle für den lokalen Einsatz. Besonders stark ist die OCR: Es liest nicht nur gedruckten Text zuverlässig, sondern kommt auch mit Handschrift und komplexen Tabellenstrukturen zurecht – nützlich für Rechnungsverarbeitung, Formularauswertung oder Dokumenten-Digitalisierung. Zusätzlich versteht es Videos über mehrere Frames hinweg und kann Objekte im Bild präzise lokalisieren, was es auch für Bildanalyse-Pipelines interessant macht. Für reine Text-Chats ist es nicht nötig, aber überall dort, wo Bilder, Screenshots oder Scans ausgewertet werden sollen, gehört es zu den ersten Wahlen unter offenen Modellen. Die 7B-Größe ist ein guter Kompromiss zwischen Tempo und Genauigkeit.

Praxis-Tipp

Für Rechnungs- oder Belegverarbeitung ein gescanntes Dokument einreichen mit dem Prompt ‘Extrahiere Datum, Betrag und Rechnungsnummer als JSON’ – die OCR-Qualität ist auch bei schlechten Scans meist ausreichend.

Siehe auch

• Qwen 2.5
• Qwen 3

Lizenz & Quelle

• Lizenz: Apache-2.0 (7B/32B); 3B/72B eigene Lizenzen
• Quelle: Ollama
• Quelle: HF