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

Por qué Qwen2-VL lidera los modelos de visión locales en OCR multilingüe

Elegir el tamaño del modelo Qwen2-VL

Requisitos de hardware para Qwen2-VL

• Mínimo (Qwen2-VL 7B Q4): GPU con 8 GB de VRAM — NVIDIA RTX 4060, RTX 3060 12 GB o RTX 2080.
• Opción de poca VRAM (Qwen2-VL 2B Q4): 4 GB de VRAM — funciona en la mayoría de las GPU de portátiles y en Apple Silicon integrado.
• Máxima calidad (Qwen2-VL 72B Q4): ~48 GB — Apple Silicon con 64 GB+ de memoria unificada, o dos GPU de 24 GB.
• Apple Silicon: un chip M-series con 16 GB+ de memoria unificada ejecuta el modelo de 7B sin problemas; el de 72B necesita 64 GB+.
• RAM del sistema: 16 GB mínimo junto con la inferencia GPU; 32 GB recomendados con un entorno de desarrollo completo abierto.
• Almacenamiento: ~6 GB de espacio libre en disco para Qwen2-VL 7B Q4 (GGUF), ~30 GB para el 72B.

Configurar Qwen2-VL con Ollama

1. 1
   Instalar Ollama
   Why it matters: Ollama gestiona la descarga del modelo, el formato GGUF y la API local. Está disponible para macOS, Linux y Windows.
2. 2
   Descargar Qwen2-VL con una etiqueta de tamaño explícita
   Why it matters: Usa qwen2-vl:7b. La etiqueta qwen2-vl sin más puede resolver a un tamaño diferente — especifica siempre 2b, 7b o 72b para obtener el modelo al que se dirige esta guía.
3. 3
   Ejecutar el modelo y adjuntar una imagen
   Why it matters: En modo interactivo, escribe la ruta del archivo de imagen dentro del prompt. Ollama detecta la ruta y carga la imagen en el encoder de visión.
4. 4
   Enviar imágenes mediante la API
   Why it matters: El endpoint /api/generate acepta un array de images codificado en base64. Así es como las aplicaciones — y PromptQuorum — envían imágenes de forma programática.
5. 5
   Verificar el OCR multilingüe
   Why it matters: Envía un escaneo de documento chino o japonés y confirma que el texto extraído coincide. Esto demuestra que el encoder de visión y el tokenizador manejan correctamente el texto CJK antes de construir sobre ello.

# Step 1 — Install Ollama
# macOS
brew install ollama

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

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

# Step 2 — Pull Qwen2-VL 7B (explicit size tag)
ollama pull qwen2-vl:7b
# Downloads Qwen2-VL 7B Q4_K_M (~6 GB)

# Step 3 — Run and attach an image (interactive)
ollama run qwen2-vl:7b
>>> 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": "qwen2-vl:7b",
  "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 qwen2-vl:7b
>>> Extract all text from this image: ./contract-zh.png

Configurar Qwen2-VL con LM Studio

1. 1
   Descargar e instalar LM Studio
   Why it matters: Una GUI gratuita y multiplataforma para inferencia de modelos locales. No requiere terminal.
2. 2
   Buscar Qwen2-VL en el navegador de modelos
   Why it matters: Busca "Qwen2-VL 7B" y selecciona una variante GGUF Q4_K_M. LM Studio marca los modelos compatibles con visión con un icono de imagen.
3. 3
   Cargar el modelo y adjuntar una imagen
   Why it matters: Haz clic en el icono de imagen en el campo de entrada para subir una foto o escaneo. LM Studio lo pasa al encoder de visión.
4. 4
   Iniciar el servidor local
   Why it matters: El botón "Start Server" expone una API compatible con OpenAI en localhost:1234. Las solicitudes de visión usan el formato de contenido image_url estándar.

// LM Studio — OpenAI-compatible vision request (localhost:1234)
{
  "model": "qwen2-vl-7b",
  "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 para archivos en chino, japonés y de idiomas mixtos

• Extracción de texto simple: "Extrae cada línea de texto de esta imagen. Preserva 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 key: value."
• Extracción de tablas: "Extrae esta tabla como CSV. Trata la primera fila como encabezado."
• Extraer y traducir en un solo paso: "Extrae el texto chino de esta imagen y luego tradúcelo al español. Muestra ambos."

# Japanese invoice -> structured fields
ollama run qwen2-vl:7b
>>> This is a Japanese invoice. Extract vendor name, invoice date,
    subtotal, consumption tax, and total. Return as key: value pairs.
    ./invoice-jp.png

# Example output:
# vendor: Sample Trading Co., Ltd.
# date: 2026-04-30
# subtotal: 84,000 JPY
# tax: 8,400 JPY
# total: 92,400 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?", "¿Cuántas personas llevan ropa roja?". Qwen2-VL 7B es preciso con fotos claras y más débil con escenas desordenadas o ambiguas.
• Análisis de capturas de pantalla e interfaces: Qwen2-VL lee capturas de pantalla de interfaces, diálogos de error y estados de aplicaciones. Para capturas de código densas concretamente, InternVL 2.5 está entrenado con más énfasis en esos datos — úsalo si la interfaz y el código son tu carga de trabajo principal.
• Lectura de gráficos y diagramas: Qwen2-VL describe bien la estructura y las tendencias de los gráficos, pero los valores numéricos precisos extraídos de gráficos no son fiables en ningún modelo de visión local. Confirma las cifras exactas con los datos subyacentes.
• Fotogramas de vídeo: Qwen2-VL acepta múltiples fotogramas como secuencia — toma aproximadamente un fotograma por segundo y envía hasta 8 para resumir un clip corto.
• Comparación de múltiples imágenes: envía hasta 8 imágenes en una solicitud para comparar versiones, detectar diferencias o describir un conjunto en lote.

Qwen2-VL vs LLaVA vs Llama 3.2 Vision

Conectar Qwen2-VL local a PromptQuorum

# PromptQuorum dispatch config — local Qwen2-VL via Ollama
# Set in your .env or the PromptQuorum settings panel

OLLAMA_BASE_URL=http://localhost:11434/v1
LOCAL_VISION_MODEL=qwen2-vl:7b

# Example routing rules:
# - task_type: ocr / image  -> qwen2-vl:7b        (local Ollama, no cloud upload)
# - task_type: text         -> claude-sonnet-4-6  (Anthropic API, separate config)

Resolución de problemas de Qwen2-VL

• "unknown model" o la descarga falla: usa una etiqueta de tamaño explícita — `ollama pull qwen2-vl:7b`, no `qwen2-vl`. Ejecuta `ollama list` para confirmar el nombre instalado.
• La imagen se ignora y el modelo responde como si no se hubiera enviado ninguna imagen: confirma que la ruta del archivo es correcta y legible. En la API de Ollama, el array `images` debe contener base64 puro *sin* el prefijo `data:` — el prefijo `data:` es solo para el formato de LM Studio y OpenAI.
• Caracteres CJK ilegibles o ausentes: el escaneo tiene demasiada baja resolución. Vuelve a escanear a 150–300 DPI. Qwen2-VL lee hasta 4096×4096, por lo que una resolución de entrada más alta mejora directamente la precisión del chino y el japonés.
• CUDA sin memoria (out of memory): el modelo no cabe en tu VRAM. Cambia a Qwen2-VL 2B (~3 GB) o ejecútalo en Apple Silicon, que comparte memoria unificada entre CPU y GPU.
• Primera respuesta lenta, luego rápida: esto es normal. El encoder de visión procesa la imagen completa en el primer token; el texto se genera luego a velocidad casi normal.
• Números incorrectos extraídos de una factura o gráfico: los modelos de visión locales leen mal los dígitos en entradas ruidosas. Aumenta la calidad del escaneo y verifica siempre la salida numérica contra la fuente.
• Un PDF no carga: ningún modelo de visión local acepta PDF directamente. Convierte las páginas a PNG o JPEG primero (con pdf2image o pypdfium2), luego envía cada página como imagen separada.
• LM Studio muestra "failed to load model": o bien VRAM insuficiente, o descargaste un GGUF sin soporte de visión. Confirma que la ficha del modelo indica soporte de visión y elige la variante Q4_K_M.

Lectura relacionada

• Cómo ejecutar Qwen 3 en local — el artículo complementario para el modelo de texto: configuración de Qwen 3 con Ollama y LM Studio.
• Comparativa de modelos de visión locales: LLaVA, Llama 3.2 Vision, MiniCPM-V — el análisis completo de cada modelo de visión local, con benchmarks.
• LLM locales multimodales: visión, audio y texto — visión general más amplia sobre la ejecución de modelos multimodales en local.
• Qwen vs Llama vs Mistral — cómo se comparan los modelos de texto Qwen con las alternativas.
• Guía de hardware para LLM locales 2026 — requisitos de VRAM y GPU para inferencia local.
• Ver todas las guías de LLM locales

FAQ