Key Takeaways
- Qwen2-VL 7B requer ~6 GB de VRAM — executa em uma RTX 3060 8 GB ou qualquer chip Apple M com 16 GB de memória unificada, via um único `ollama pull qwen2-vl:7b`.
- Melhor OCR CJK local: o Qwen2-VL empata com o MiniCPM-V 2.6 e supera o LLaVA 1.6 e o Llama 3.2 Vision 11B em extração de texto em chinês, japonês e coreano.
- Resolução nativa de até 4096×4096 — lê digitalizações em alta resolução sem redução de escala, diferente do LLaVA 1.6 (672×672) ou do Llama 3.2 Vision (1120×1120).
- Três tamanhos: 2B (~3 GB de VRAM, rápido e básico), 7B (~6 GB, recomendado), 72B (~48 GB, topo dos benchmarks open-source).
- Suporta até 8 imagens por solicitação — a maior capacidade de múltiplas imagens entre os modelos de visão locais.
- Sem entrada direta de PDF: converta as páginas do PDF para PNG ou JPEG primeiro, depois envie cada página como uma imagem separada.
- 100% offline após o download: sem chave de API, sem upload para a nuvem — cada documento permanece na sua máquina.
Por que o Qwen2-VL lidera entre os modelos de visão locais para OCR multilíngue
O Qwen2-VL é o modelo de visão local mais forte para OCR multilíngue de documentos — ele iguala ou supera qualquer outro modelo que roda em hardware de consumo na leitura de texto em chinês, japonês, coreano e inglês. A Alibaba o treinou em grandes corpora de documentos multilíngues, o que explica seu desempenho superior ao LLaVA 1.6 e ao Llama 3.2 Vision 11B em extração de texto não inglês.
O Qwen2-VL suporta resolução de entrada dinâmica de até 4096×4096 pixels. O LLaVA 1.6 tem limite de 672×672 e o Llama 3.2 Vision de 1120×1120, então ambos reduzem a escala de digitalizações em alta resolução antes de lê-las. O Qwen2-VL lê uma digitalização A4 a 300 DPI em resolução nativa — a principal razão para sua maior precisão de OCR em documentos densos e caracteres CJK pequenos.
Executar o Qwen2-VL localmente custa €0 por imagem após o hardware. Uma API de visão na nuvem cobra aproximadamente US$ 0,01–0,03 por imagem; a 10.000 imagens por mês isso são US$ 100–300 economizados — e nenhum documento sai da sua máquina.
Use o Qwen2-VL se seus documentos contêm texto CJK, fontes pequenas ou digitalizações em alta resolução. Se seu trabalho é apenas perguntas sobre fotos em inglês, o Llama 3.2 Vision 11B é uma escolha igualmente boa.
O Qwen2-VL é o modelo de visão local mais preciso para OCR de documentos em chinês, japonês e coreano, rodando em ~6 GB de VRAM via Ollama.
Um modelo de visão-linguagem lê imagens em vez de gerá-las. Você dá ao Qwen2-VL uma foto ou uma página digitalizada, e ele retorna texto — uma descrição, uma resposta ou o conteúdo extraído.
Escolhendo o tamanho do modelo Qwen2-VL
O Qwen2-VL vem em três tamanhos. Escolha com base na sua VRAM e na precisão necessária. Todos os tamanhos estão no Hugging Face (Qwen) e na biblioteca de modelos do Ollama com tags explícitas.
Model | VRAM (Q4) | Ollama tag | Best For |
|---|---|---|---|
| Qwen2-VL 2B Q4 | ~3 GB | qwen2-vl:2b | Legendas rápidas, OCR simples, laptops com pouca VRAM |
| Qwen2-VL 7B Q4 | ~6 GB | qwen2-vl:7b | Recomendado — OCR de documentos, perguntas sobre imagens, gráficos |
| Qwen2-VL 72B Q4 | ~48 GB | qwen2-vl:72b | Qualidade máxima, Apple Silicon 64 GB+ ou multi-GPU |
Q4_K_M é a quantização recomendada — a melhor relação qualidade-tamanho. A maioria dos usuários deve começar com o Qwen2-VL 7B: cabe em uma GPU de 8 GB e cobre todos os casos de uso deste guia. Use o modelo 2B apenas quando a VRAM estiver abaixo de 6 GB.
Requisitos de hardware para o Qwen2-VL
- Mínimo (Qwen2-VL 7B Q4): GPU com 8 GB de VRAM — NVIDIA RTX 4060, RTX 3060 12 GB ou RTX 2080.
- Opção de baixa VRAM (Qwen2-VL 2B Q4): 4 GB de VRAM — roda na maioria das GPUs de laptop e no Apple Silicon integrado.
- Qualidade máxima (Qwen2-VL 72B Q4): ~48 GB — Apple Silicon com 64 GB+ de memória unificada, ou duas GPUs de 24 GB.
- Apple Silicon: um chip série M com 16 GB+ de memória unificada roda o modelo 7B confortavelmente; 64 GB+ é necessário para o 72B.
- RAM do sistema: 16 GB mínimo junto com inferência na GPU; 32 GB recomendado com um ambiente de desenvolvimento completo aberto.
- Armazenamento: ~6 GB de espaço livre em disco para o Qwen2-VL 7B Q4 (GGUF), ~30 GB para o 72B.
📌Nota: Modelos de visão rodam aproximadamente 30–60% mais devagar que um modelo somente texto de mesmo tamanho de parâmetros. O encoder de visão processa a imagem inteira no primeiro token; o texto então é gerado em velocidade quase normal.
Configuração do Qwen2-VL com Ollama
O Ollama é a forma mais rápida de executar o Qwen2-VL localmente. Ele baixa o modelo, gerencia a quantização e expõe uma API em localhost:11434. Instale-o em ollama.com — ou, se você é novo nisso, comece com como instalar o Ollama.
- 1Instalar o Ollama
Why it matters: O Ollama gerencia o download do modelo, o formato GGUF e a API local. Está disponível para macOS, Linux e Windows. - 2Baixar o Qwen2-VL com uma tag de tamanho explícita
Why it matters: Use qwen2-vl:7b. A tag simples qwen2-vl pode resolver para um tamanho diferente — sempre especifique 2b, 7b ou 72b para obter o modelo que este guia usa como alvo. - 3Executar o modelo e anexar uma imagem
Why it matters: No modo interativo, digite o caminho do arquivo de imagem dentro do seu prompt. O Ollama detecta o caminho e carrega a imagem no encoder de visão. - 4Enviar imagens pela API
Why it matters: O endpoint /api/generate aceita um array de imagens codificadas em base64. É assim que aplicações — e o PromptQuorum — enviam imagens programaticamente. - 5Verificar o OCR multilíngue
Why it matters: Envie uma digitalização de documento em chinês ou japonês e confirme que o texto extraído corresponde. Isso comprova que o encoder de visão e o tokenizador lidam corretamente com escrita CJK antes de você construir sobre isso.
# Passo 1 — Instalar o Ollama
# macOS
brew install ollama
# Linux
curl -fsSL https://ollama.com/install.sh | sh
# Windows — baixe em https://ollama.com/download
# Passo 2 — Baixar o Qwen2-VL 7B (tag de tamanho explícita)
ollama pull qwen2-vl:7b
# Baixa o Qwen2-VL 7B Q4_K_M (~6 GB)
# Passo 3 — Executar e anexar uma imagem (interativo)
ollama run qwen2-vl:7b
>>> Extraia todo o texto desta fatura: ./invoice-pt.png
# Passo 4 — Enviar uma imagem pela API
curl http://localhost:11434/api/generate -d '{
"model": "qwen2-vl:7b",
"prompt": "Extraia todo o texto deste documento. Preserve as quebras de linha.",
"images": ["<imagem-codificada-em-base64>"],
"stream": false
}'
⚠️Aviso: Envie as imagens de documentos a 150 DPI ou mais. O Qwen2-VL lê nativamente até 4096×4096, então digitalizações em alta resolução melhoram diretamente a precisão. A qualidade da imagem é o maior fator nos resultados de OCR — uma digitalização borrada produz caracteres errados não importa quão bom seja o modelo.
Configuração do Qwen2-VL com LM Studio
O LM Studio executa o Qwen2-VL por meio de uma interface gráfica, sem comandos de terminal. É o caminho recomendado para usuários Windows e qualquer pessoa que prefira uma GUI. Baixe em lmstudio.ai, ou veja como instalar o LM Studio.
- 1Baixar e instalar o LM Studio
Why it matters: Uma GUI gratuita e multiplataforma para inferência local de modelos. Não requer terminal. - 2Buscar o Qwen2-VL no navegador de modelos
Why it matters: Busque "Qwen2-VL 7B" e selecione uma versão GGUF Q4_K_M. O LM Studio marca modelos com capacidade de visão com um ícone de imagem. - 3Carregar o modelo e anexar uma imagem
Why it matters: Clique no ícone de imagem na entrada do chat para enviar uma foto ou digitalização. O LM Studio a passa ao encoder de visão. - 4Iniciar o servidor local
Why it matters: O botão "Start Server" expõe uma API compatível com OpenAI em localhost:1234. As solicitações de visão usam o formato padrão de conteúdo image_url.
OCR de documentos em chinês, japonês e arquivos de idiomas mistos
O Qwen2-VL extrai texto de documentos em chinês, japonês, coreano e idiomas mistos com mais precisão do que qualquer outro modelo de visão local. Seus dados de treinamento incluíram grandes corpora de documentos multilíngues, e sua resolução nativa de 4096×4096 lê caracteres CJK pequenos que o LLaVA 1.6 e o Llama 3.2 Vision reduzem de escala e perdem.
O padrão mais confiável é um prompt de extração específico. Peça estrutura — "preserve o layout da tabela", "retorne cada campo como chave: valor" — em vez de um vago "leia isto". O Qwen2-VL segue instruções de formatação de perto, o que mantém a saída utilizável sem pós-processamento.
Para extrair texto de um documento CJK com o Qwen2-VL, envie a imagem a 150+ DPI com um prompt específico que peça estrutura, como "retorne cada campo como chave: valor".
OCR significa transformar uma imagem de texto em texto editável. O Qwen2-VL olha para uma página digitalizada e digita o que vê — e lida com caracteres chineses e japoneses tão bem quanto com o inglês.
- Extração de texto simples: "Extraia cada linha de texto desta imagem. Preserve as quebras de linha e a ordem de leitura."
- Campos estruturados: "Esta é uma fatura japonesa. Retorne fornecedor, data, subtotal, imposto e total como pares chave: valor."
- Extração de tabelas: "Extraia esta tabela como CSV. Trate a primeira linha como cabeçalho."
- Extrair e traduzir em uma passada: "Extraia o texto chinês desta imagem, depois traduza para o português. Mostre ambos."
•Important: Sempre verifique os números extraídos contra o documento original. Modelos de visão locais — incluindo o Qwen2-VL — podem ler um dígito errado em uma digitalização de baixa qualidade. Trate a saída de OCR como um rascunho a ser confirmado, não como um valor final, especialmente para faturas e documentos financeiros.
Perguntas sobre imagens, análise de capturas de tela e leitura de gráficos
Além do OCR, o Qwen2-VL lida com compreensão geral de imagens — descrevendo fotos, respondendo perguntas sobre capturas de tela e lendo gráficos. É preciso em entradas claras e mais fraco em cenas confusas ou ambíguas.
- Perguntas sobre imagens: faça perguntas abertas sobre uma foto — "O que há nesta imagem?", "Quantas pessoas estão vestindo vermelho?". O Qwen2-VL 7B é preciso em fotos claras, mais fraco em cenas confusas ou ambíguas.
- Análise de capturas de tela e UI: o Qwen2-VL lê capturas de tela de UI, diálogos de erro e estados de aplicativos. Para capturas de código densas especificamente, o InternVL 2.5 é treinado mais fortemente nesses dados — use-o se UI e código forem sua carga de trabalho principal.
- Leitura de gráficos: o Qwen2-VL descreve bem a estrutura e as tendências de gráficos, mas valores numéricos precisos extraídos de gráficos não são confiáveis em nenhum modelo de visão local. Confirme os números exatos contra os dados subjacentes.
- Quadros de vídeo: o Qwen2-VL aceita múltiplos quadros como uma sequência — amostre aproximadamente um quadro por segundo e envie até 8 para resumir um clipe curto.
- Comparação de múltiplas imagens: envie até 8 imagens em uma solicitação para comparar versões, identificar diferenças ou descrever um conjunto em lote.
💡Dica: Use o Qwen2-VL para OCR, documentos multilíngues e perguntas gerais sobre imagens. Mude para o InternVL 2.5 quando sua carga de trabalho principal for código ou capturas de UI, ou para o Moondream 2 quando tiver menos de 4 GB de VRAM.
Qwen2-VL vs LLaVA vs Llama 3.2 Vision
Para OCR multilíngue, o Qwen2-VL supera o LLaVA 1.6 e iguala ou supera o Llama 3.2 Vision 11B com menos VRAM. Para perguntas sobre fotos apenas em inglês, o Llama 3.2 Vision 11B é uma escolha igualmente forte. O LLaVA 1.6 continua sendo o modelo mais documentado se você precisar de recursos de suporte da comunidade.
Model | VRAM (Q4) | OCR / CJK | Max Resolution | Best For |
|---|---|---|---|---|
| Qwen2-VL 7B | ~6 GB | Excelente | 4096×4096 | OCR multilíngue, digitalizações em alta resolução |
| Llama 3.2 Vision 11B | ~8 GB | Bom | 1120×1120 | Perguntas sobre fotos em inglês, documentos gerais |
| LLaVA 1.6 7B | ~6 GB | Razoável | 672×672 | Perguntas gerais, suporte da comunidade |
| MiniCPM-V 2.6 8B | ~6 GB | Excelente | 1792×1792 | OCR de documentos (voltado ao inglês) |
| InternVL 2.5 8B | ~8 GB | Bom | Alta | Capturas de código e UI |
Todos os cinco rodam via Ollama (InternVL 2.5 via builds da comunidade). Se estiver em dúvida, comece com o Qwen2-VL 7B: ele cobre OCR, documentos e perguntas gerais em 6 GB de VRAM.
Conectando o Qwen2-VL local ao PromptQuorum
O PromptQuorum roteia prompts entre múltiplos modelos. Para usar o Qwen2-VL local como alvo de despacho de visão, aponte o endpoint de LLM local do PromptQuorum para seu servidor Ollama. O processamento de imagens permanece no seu hardware, enquanto modelos em nuvem continuam disponíveis para tarefas de texto.
Este é o endpoint Ollama (compatível com OpenAI), separado da configuração da API Anthropic usada para o Claude. Ambos podem estar ativos ao mesmo tempo, com o PromptQuorum roteando por tipo de tarefa e sensibilidade dos dados.
Conecte o PromptQuorum ao Qwen2-VL local definindo OLLAMA_BASE_URL como http://localhost:11434/v1 e apontando o modelo de visão local para qwen2-vl:7b.
# Configuração de despacho do PromptQuorum — Qwen2-VL local via Ollama
OLLAMA_BASE_URL=http://localhost:11434/v1
LOCAL_VISION_MODEL=qwen2-vl:7b
# Regras de roteamento de exemplo:
# - task_type: ocr / image -> qwen2-vl:7b (Ollama local, sem upload para a nuvem)
# - task_type: text -> claude-sonnet-4-6 (API Anthropic, configuração separada)Solução de problemas do Qwen2-VL
- "unknown model" ou o download falha: use uma tag de tamanho explícita — `ollama pull qwen2-vl:7b`, não `qwen2-vl`. Execute `ollama list` para confirmar o nome instalado.
- A imagem é ignorada e o modelo responde como se nenhuma imagem tivesse sido enviada: confirme que o caminho do arquivo está correto e legível. Na API do Ollama, o array `images` deve conter base64 puro *sem* o prefixo `data:` — esse prefixo é apenas para o formato LM Studio e OpenAI.
- Caracteres CJK corrompidos ou ausentes: a digitalização tem resolução muito baixa. Redigitalize a 150–300 DPI. O Qwen2-VL lê até 4096×4096, então maior resolução de entrada melhora diretamente a precisão em chinês e japonês.
- CUDA sem memória: o modelo não cabe na sua VRAM. Use o Qwen2-VL 2B (~3 GB) ou rode em Apple Silicon, que compartilha memória unificada entre CPU e GPU.
- Primeira resposta lenta, depois rápida: isso é normal. O encoder de visão processa a imagem inteira no primeiro token; o texto então é gerado em velocidade quase normal.
- Números errados extraídos de uma fatura ou gráfico: modelos de visão locais podem ler dígitos errados em entradas ruidosas. Aumente a qualidade da digitalização e sempre verifique a saída numérica contra a fonte.
- Um PDF não carrega: nenhum modelo de visão local aceita PDF diretamente. Converta as páginas para PNG ou JPEG primeiro, depois envie cada página como uma imagem separada.
- LM Studio mostra "failed to load model": VRAM insuficiente, ou você baixou um GGUF sem suporte a visão. Confirme que a ficha do modelo lista suporte a visão e escolha a versão Q4_K_M.
💡Dica: Execute `ollama ps` para ver quais modelos estão carregados na VRAM e quanta memória cada um usa. Use `ollama stop qwen2-vl:7b` para descarregar o modelo antes de trocar para o 72B.
Perguntas frequentes
Como executo o Qwen2-VL localmente em 2026?
Instale o Ollama, execute `ollama pull qwen2-vl:7b`, depois `ollama run qwen2-vl:7b` e escreva um caminho de arquivo de imagem no seu prompt. Para interface gráfica, use o LM Studio: pesquise "Qwen2-VL 7B", baixe a variante GGUF Q4_K_M e anexe imagens com o ícone de imagem.
Qual hardware preciso para o Qwen2-VL 7B?
Mínimo: 8 GB de VRAM (RTX 4060, RTX 3060 12 GB) ou Apple Silicon com 16 GB de memória unificada. O modelo Q4_K_M usa ~6,2 GB de VRAM.
O Qwen2-VL é melhor que o LLaVA para OCR em chinês?
Sim. O Qwen2-VL foi pré-treinado em grandes corpora CJK e processa texto em chinês, japonês e coreano com muito mais precisão do que o LLaVA. Para documentos apenas em inglês, os dois são comparáveis.
Quantas imagens o Qwen2-VL pode processar de uma vez?
Até 8 imagens por solicitação — a maior capacidade de múltiplas imagens entre os modelos de visão locais. Ideal para comparar versões de documentos, detectar diferenças ou resumir um vídeo curto amostrado a um quadro por segundo.
Qwen2-VL ou Llama 3.2 Vision — qual devo escolher?
Escolha o Qwen2-VL para documentos em chinês, japonês ou coreano, digitalizações de alta resolução ou fontes pequenas — e porque o modelo de 7B cabe em 6 GB de VRAM vs 8 GB do Llama 3.2 Vision 11B. Escolha o Llama 3.2 Vision 11B para perguntas gerais sobre fotos apenas em inglês.
Por que os caracteres na minha saída de OCR são ilegíveis?
Quase sempre é uma digitalização de baixa resolução. O Qwen2-VL lê nativamente até 4096×4096, então redigitalizar o documento a 150–300 DPI geralmente resolve caracteres ilegíveis ou ausentes.