Cómo ejecutar Qwen2.5-VL y Qwen3-VL en local en 2026: guía de OCR de documentos y visión

¿Qué modelo de visión de Qwen deberías ejecutar?

Etiquetas de Ollama, tamaños y licencias de Qwen3-VL y Qwen2.5-VL

Requisitos de hardware para los modelos de visión de Qwen

• Los tamaños de descarga son solo los pesos: Qwen3-VL 8B ocupa 6.2 GB y Qwen2.5-VL 7B ocupa 6.0 GB. La caché de contexto y el codificador de imágenes necesitan memoria adicional que crece con la longitud del contexto y el tamaño de la imagen, así que deja margen sobre el tamaño de descarga.
• Opciones más pequeñas: Qwen3-VL 2B (1.9 GB) y 4B (3.3 GB) o Qwen2.5-VL 3B (3.2 GB) sirven para GPUs pequeñas y portátiles; espera menos precisión que con los modelos de 7B–8B.
• Opciones más grandes: Qwen3-VL 30B-A3B (20 GB), Qwen3-VL 32B y Qwen2.5-VL 32B (21 GB) y Qwen2.5-VL 72B (49 GB) requieren una GPU grande, varias GPUs o Apple Silicon con mucha memoria unificada.
• Descarga parcial: cuando un modelo no cabe en la VRAM, Ollama puede colocar parte en la RAM del sistema; funciona, pero es notablemente más lento.
• Software: Ollama 0.12.7+ para Qwen3-VL y 0.7.0+ para Qwen2.5-VL, según indican las páginas de la biblioteca de Ollama.

Configuración de Qwen2.5-VL y Qwen3-VL con Ollama

1. 1
   Instalar o actualizar Ollama
   Why it matters: Qwen2.5-VL necesita Ollama 0.7.0 o posterior y Qwen3-VL necesita 0.12.7 o posterior. Comprueba con `ollama --version` y actualiza si hace falta. Ollama está disponible para macOS, Linux y Windows.
2. 2
   Descargar un modelo con una etiqueta explícita
   Why it matters: Usa `qwen3-vl:8b` o `qwen2.5vl:7b`. No uses `qwen2-vl:7b`: no está en la biblioteca oficial de Ollama, así que la descarga falla.
3. 3
   Ejecutar el modelo y adjuntar una imagen
   Why it matters: En modo interactivo, escribe la ruta del archivo de imagen dentro de tu prompt. Ollama detecta la ruta y carga la imagen.
4. 4
   Enviar imágenes por la API
   Why it matters: El endpoint /api/generate acepta un array `images` en base64 sin el prefijo data:. Así envían imágenes las aplicaciones — y PromptQuorum — de forma programática.
5. 5
   Verificar el OCR multilingüe
   Why it matters: Envía el escaneo de un documento en chino o japonés y compara el texto extraído con el original antes de construir sobre ello.

# Step 1 — Install or update Ollama (Qwen3-VL needs 0.12.7+, Qwen2.5-VL needs 0.7.0+)
# macOS
brew install ollama

# Linux
curl -fsSL https://ollama.com/install.sh | sh

# Windows — download from https://ollama.com/download
ollama --version

# Step 2 — Pull a Qwen vision model (explicit tag)
ollama pull qwen3-vl:8b          # 6.2 GB
# or: ollama pull qwen2.5vl:7b   # 6.0 GB

# Step 3 — Run and attach an image (interactive)
ollama run qwen3-vl:8b
>>> Extract every line of text from ./invoice-jp.png

# Step 4 — Send an image through the API
# Encode the image first:  base64 -i scan.png   (macOS)
curl http://localhost:11434/api/generate -d '{
  "model": "qwen3-vl:8b",
  "prompt": "Extract every line of text from this document. Preserve line breaks.",
  "images": ["<base64-encoded-image>"],
  "stream": false
}'

# Step 5 — Verify multilingual OCR
ollama run qwen3-vl:8b
>>> Extract all text from this image: ./contract-zh.png

Configuración de los modelos de visión de Qwen con LM Studio

1. 1
   Descargar e instalar LM Studio
   Why it matters: Una interfaz gráfica multiplataforma para la inferencia local de modelos. No hace falta terminal.
2. 2
   Buscar modelos de visión de Qwen
   Why it matters: Busca "Qwen3-VL" o "Qwen2.5-VL" en el explorador de modelos y elige una variante cuya ficha indique compatibilidad con visión. Ajusta la cuantización a tu memoria.
3. 3
   Cargar el modelo y adjuntar una imagen
   Why it matters: Usa el botón de imagen del cuadro de chat para subir una foto o un escaneo. LM Studio la pasa al codificador de visión.
4. 4
   Iniciar el servidor local
   Why it matters: La opción "Start Server" expone una API compatible con OpenAI en localhost:1234. Las solicitudes de visión usan el formato de contenido estándar image_url.

// LM Studio — OpenAI-compatible vision request (localhost:1234)
{
  "model": "<model-id-shown-in-LM-Studio>",
  "messages": [
    {
      "role": "user",
      "content": [
        { "type": "text", "text": "Extract all text from this document." },
        {
          "type": "image_url",
          "image_url": { "url": "data:image/png;base64,<base64-encoded-image>" }
        }
      ]
    }
  ]
}

OCR de documentos en chino, japonés e idiomas mixtos

• Extracción de texto simple: "Extrae cada línea de texto de esta imagen. Conserva los saltos de línea y el orden de lectura."
• Campos estructurados: "Esta es una factura japonesa. Devuelve proveedor, fecha, subtotal, impuesto y total como pares clave: valor."
• Extracción de tablas: "Extrae esta tabla como CSV. Trata la primera fila como encabezado."
• Extraer y traducir de una vez: "Extrae el texto en chino de esta imagen y tradúcelo al inglés. Muestra ambos."

# Japanese invoice -> structured fields
ollama run qwen3-vl:8b
>>> This is a Japanese invoice. Extract vendor name, invoice date,
    subtotal, consumption tax, and total. Return as key: value pairs.
    ./invoice-jp.png

# Illustrative output format (not a measured result):
# vendor: <vendor name>
# date: <invoice date>
# subtotal: <amount> JPY
# tax: <amount> JPY
# total: <amount> JPY

Preguntas sobre imágenes, análisis de capturas de pantalla y lectura de gráficos

• Preguntas sobre imágenes: haz preguntas abiertas sobre una foto — "¿Qué hay en esta imagen?" — y comprueba las respuestas con la imagen.
• Análisis de capturas y de interfaces: empieza leyendo capturas de interfaz, cuadros de error y estados de aplicaciones. Las fichas de ambos modelos también describen capacidades de agente para interfaces gráficas, que esta guía no cubre.
• Lectura de gráficos: describir la estructura y las tendencias de un gráfico funciona mejor que extraer cifras exactas; confirma los valores exactos con los datos de origen.
• Comparación de varias imágenes: envía varias imágenes en una misma solicitud para comparar versiones o describir un conjunto; cuántas caben depende de tu memoria y del tamaño del contexto.

Comparativa Qwen2-VL, Qwen2.5-VL y Qwen3-VL

Conectar un modelo de visión local de Qwen con PromptQuorum

Solución de problemas de los modelos de visión de Qwen

• "pull model manifest: file does not exist" o modelo desconocido: la etiqueta no está en la biblioteca oficial. `qwen2-vl:7b` no está disponible — usa `ollama pull qwen3-vl:8b` o `ollama pull qwen2.5vl:7b`.
• La descarga termina pero el modelo no carga: actualiza Ollama. Qwen2.5-VL necesita 0.7.0+ y Qwen3-VL necesita 0.12.7+.
• Se ignora la imagen y el modelo responde como si no hubieras enviado ninguna: confirma que la ruta del archivo es correcta y legible. En la API de Ollama, el array `images` debe contener base64 sin procesar *sin* el prefijo `data:`; el prefijo `data:` es solo del formato de LM Studio y OpenAI.
• Caracteres CJK ilegibles o ausentes: probablemente el escaneo tiene muy poca resolución. Vuelve a escanear a 150–300 DPI y compara el resultado.
• Sin memoria: elige una etiqueta más pequeña (por ejemplo `qwen3-vl:4b` o `qwen2.5vl:3b`), reduce el tamaño del contexto o la resolución de la imagen, o usa Apple Silicon, que comparte memoria unificada entre CPU y GPU.
• Números incorrectos extraídos de una factura o un gráfico: los modelos de visión locales pueden leer mal los dígitos con entradas ruidosas. Mejora la calidad del escaneo y verifica siempre la salida numérica con el original.
• Un PDF no se carga: la API de Ollama acepta imágenes, no archivos PDF. Convierte primero las páginas a PNG o JPEG (con pdf2image o pypdfium2) y envía cada página como una imagen independiente.
• LM Studio muestra "failed to load model": o no hay memoria suficiente, o descargaste una variante sin visión. Confirma que la ficha del modelo indica compatibilidad con visión y prueba una cuantización menor.

Lectura relacionada

• Cómo ejecutar Qwen 3 en local — el complemento de modelos de texto: configuración de Ollama y LM Studio para los modelos de lenguaje de Qwen.
• Modelos de visión locales comparados: LLaVA, Llama 3.2 Vision, MiniCPM-V — el repaso completo de otros modelos de visión locales.
• LLM locales multimodales: visión, audio y texto — panorama más amplio de la ejecución local de modelos multimodales.
• Qwen vs Llama vs Mistral — cómo se comparan los modelos de texto de Qwen con las alternativas.
• Guía de hardware para LLM locales — requisitos de VRAM y GPU para la inferencia local.
• Ver todas las guías de LLM locales

Preguntas frecuentes