Exécuter Qwen2.5-VL et Qwen3-VL en local en 2026 : guide de l'OCR de documents et de la vision

Quel modèle de vision Qwen exécuter ?

Tags Ollama, tailles et licences de Qwen3-VL et Qwen2.5-VL

Configuration matérielle requise pour les modèles de vision Qwen

• Les tailles de téléchargement ne comptent que les poids : Qwen3-VL 8B fait 6.2 Go et Qwen2.5-VL 7B fait 6.0 Go. Le cache de contexte et l'encodeur d'images demandent de la mémoire supplémentaire, qui croît avec la longueur du contexte et la taille de l'image ; gardez donc de la marge au-dessus de la taille de téléchargement.
• Options plus petites : Qwen3-VL 2B (1.9 Go) et 4B (3.3 Go) ou Qwen2.5-VL 3B (3.2 Go) conviennent aux petits GPU et aux portables ; attendez-vous à une précision inférieure à celle des modèles 7B–8B.
• Options plus grandes : Qwen3-VL 30B-A3B (20 Go), Qwen3-VL 32B et Qwen2.5-VL 32B (21 Go) et Qwen2.5-VL 72B (49 Go) exigent un gros GPU, plusieurs GPU ou un Apple Silicon avec beaucoup de mémoire unifiée.
• Déport partiel : quand un modèle ne tient pas dans la VRAM, Ollama peut en placer une partie dans la RAM système ; cela fonctionne, mais c'est nettement plus lent.
• Logiciel : Ollama 0.12.7+ pour Qwen3-VL et 0.7.0+ pour Qwen2.5-VL, comme l'indiquent les pages de la bibliothèque Ollama.

Configurer Qwen2.5-VL et Qwen3-VL avec Ollama

1. 1
   Installer ou mettre à jour Ollama
   Why it matters: Qwen2.5-VL nécessite Ollama 0.7.0 ou plus récent et Qwen3-VL nécessite 0.12.7 ou plus récent. Vérifiez avec `ollama --version` et mettez à jour si besoin. Ollama est disponible pour macOS, Linux et Windows.
2. 2
   Récupérer un modèle avec un tag explicite
   Why it matters: Utilisez `qwen3-vl:8b` ou `qwen2.5vl:7b`. N'utilisez pas `qwen2-vl:7b` : il n'est pas dans la bibliothèque officielle d'Ollama, donc le téléchargement échoue.
3. 3
   Exécuter le modèle et joindre une image
   Why it matters: En mode interactif, saisissez le chemin du fichier image dans votre prompt. Ollama détecte le chemin et charge l'image.
4. 4
   Envoyer des images via l'API
   Why it matters: Le point d'accès /api/generate accepte un tableau `images` encodé en base64, sans le préfixe data:. C'est ainsi que les applications — et PromptQuorum — envoient des images par programme.
5. 5
   Vérifier l'OCR multilingue
   Why it matters: Envoyez le scan d'un document en chinois ou en japonais et comparez le texte extrait avec la source avant de construire dessus.

# 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

Configurer les modèles de vision Qwen avec LM Studio

1. 1
   Télécharger et installer LM Studio
   Why it matters: Une interface graphique multiplateforme pour l'inférence locale de modèles. Aucun terminal requis.
2. 2
   Rechercher les modèles de vision Qwen
   Why it matters: Cherchez « Qwen3-VL » ou « Qwen2.5-VL » dans le navigateur de modèles et choisissez une version dont la fiche indique la prise en charge de la vision. Adaptez la quantification à votre mémoire.
3. 3
   Charger le modèle et joindre une image
   Why it matters: Utilisez le bouton d'image de la zone de chat pour importer une photo ou un scan. LM Studio la transmet à l'encodeur de vision.
4. 4
   Démarrer le serveur local
   Why it matters: L'option « Start Server » expose une API compatible OpenAI sur localhost:1234. Les requêtes de vision utilisent le format de contenu standard 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 documents en chinois, japonais et multilingues

• Extraction de texte brut : « Extrais chaque ligne de texte de cette image. Conserve les sauts de ligne et l'ordre de lecture. »
• Champs structurés : « Ceci est une facture japonaise. Renvoie fournisseur, date, sous-total, taxe et total sous forme de paires clé : valeur. »
• Extraction de tableaux : « Extrais ce tableau en CSV. Considère la première ligne comme l'en-tête. »
• Extraire et traduire en une passe : « Extrais le texte chinois de cette image, puis traduis-le en anglais. Montre les deux. »

# 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

Questions sur images, analyse de captures d'écran et lecture de graphiques

• Questions sur images : posez des questions ouvertes sur une photo — « Que voit-on sur cette image ? » — et vérifiez les réponses avec l'image.
• Analyse de captures et d'interfaces : commencez par lire des captures d'interface, des boîtes d'erreur et des états d'application. Les fiches des deux modèles décrivent aussi des capacités d'agent pour interfaces graphiques, que ce guide ne couvre pas.
• Lecture de graphiques : décrire la structure et les tendances d'un graphique fonctionne mieux qu'extraire des chiffres exacts ; confirmez les valeurs exactes avec les données sous-jacentes.
• Comparaison de plusieurs images : envoyez plusieurs images dans une même requête pour comparer des versions ou décrire un lot ; le nombre possible dépend de votre mémoire et de la taille du contexte.

Comparaison Qwen2-VL, Qwen2.5-VL et Qwen3-VL

Connecter un modèle de vision Qwen local à PromptQuorum

Dépannage des modèles de vision Qwen

• « pull model manifest: file does not exist » ou modèle inconnu : le tag n'est pas dans la bibliothèque officielle. `qwen2-vl:7b` n'est pas disponible — utilisez `ollama pull qwen3-vl:8b` ou `ollama pull qwen2.5vl:7b`.
• Le téléchargement réussit mais le modèle ne se charge pas : mettez Ollama à jour. Qwen2.5-VL nécessite 0.7.0+ et Qwen3-VL nécessite 0.12.7+.
• L'image est ignorée et le modèle répond comme si aucune image n'avait été envoyée : vérifiez que le chemin du fichier est correct et lisible. Dans l'API Ollama, le tableau `images` doit contenir du base64 brut *sans* le préfixe `data:` — ce préfixe est propre au format LM Studio et OpenAI.
• Caractères CJK illisibles ou manquants : le scan est probablement de trop faible résolution. Numérisez à nouveau en 150–300 DPI et comparez le résultat.
• Mémoire insuffisante : choisissez un tag plus petit (par exemple `qwen3-vl:4b` ou `qwen2.5vl:3b`), réduisez la taille du contexte ou la résolution de l'image, ou utilisez un Apple Silicon, qui partage la mémoire unifiée entre CPU et GPU.
• Nombres erronés extraits d'une facture ou d'un graphique : les modèles de vision locaux peuvent mal lire des chiffres sur une entrée bruitée. Améliorez la qualité du scan et vérifiez toujours les valeurs numériques avec la source.
• Un PDF ne se charge pas : l'API d'Ollama accepte des images, pas des fichiers PDF. Convertissez d'abord les pages en PNG ou JPEG (avec pdf2image ou pypdfium2), puis envoyez chaque page comme image distincte.
• LM Studio affiche « failed to load model » : soit la mémoire est insuffisante, soit vous avez téléchargé une version sans vision. Vérifiez que la fiche du modèle indique la prise en charge de la vision et essayez une quantification plus légère.

Lecture associée

• Comment exécuter Qwen 3 en local — le pendant modèles de texte : configuration d'Ollama et de LM Studio pour les modèles de langage Qwen.
• Modèles de vision locaux comparés : LLaVA, Llama 3.2 Vision, MiniCPM-V — le panorama complet d'autres modèles de vision locaux.
• LLM locaux multimodaux : vision, audio et texte — vue d'ensemble plus large de l'exécution locale de modèles multimodaux.
• Qwen vs Llama vs Mistral — comment les modèles de texte Qwen se situent face aux alternatives.
• Guide matériel pour LLM locaux — exigences en VRAM et en GPU pour l'inférence locale.
• Tous les guides sur les LLM locaux

Questions fréquentes