第一次用 Ollama 跑视觉模型：Qwen2.5-VL 7B 给了我一个意外惊喜

前几天在 Mac 上安装了 Ollama，并下载了 Qwen2.5-VL 7B 做了一些测试，整个过程还挺有意思，分享给大家。

1 Mac 安装 Ollama

进入 Ollama 官网 ，我的电脑是 Mac Studio ，所以选择 MacOS 下载 。

下载完成后，双击安装 ，安装完成后界面如下图：

2 下载 Qwen 2.5 VL 7B

Qwen 2.5-VL 是阿里巴巴通义千问团队开发的一款开源的旗舰级视觉语言模型。

它能够处理文本、图像和视频，并具备强大的视觉理解和交互能力。该模型有不同参数规模（如 3B、7B 和 72B），适用于从边缘 AI 到高性能计算的多种场景 。

下载 Qwen 2.5 VL 有两种方式 ：

1、通过命令行请求

ollama pull qwen2.5vl:7b

2、通过 Ollama GUI 界面安装

在 GUI 界面选择模型 ，若未下载会显示下载图标，然后在对话框中输入任意文本即可自动下载。

3 文本/图片体验

下载完模型后，即可在对话框中进行对话。

当然我们也可以通过 ollama 启动模型后展开对话：

ollama run qwen2.5vl:7b

接下来，进行图片检测，图片如下：

检测结果：

我们也可以通过该模型识别图像中的文字、公式或抽取票据、证件、表单中的信息，支持格式化输出文本：

4 程序调用分析图片

我们可以编写 python 调用 Ollama 接口，实现模型分析图片：

Ollama 提供兼容 OpenAI 协议的接口 ，实现流式对话。

curl http://localhost:11434/api/chat -d '{
"model":"qwen2.5vl:7b",
"messages": [
  {"role":"user","content":"写一段代码"}
 ]
}'

效果见下图 ：

5 总结

Qwen 2.5-VL 7B 简直就是“本地视觉小钢炮”。

笔者认为它尤其适合在如下场景中发挥作用：

• 文档和票据解析：发票、合同、报表、扫描件，一次推理即可提取文字并生成结构化数据
• 表格与图表解析：财务报表、统计图表，快速提取表头和数据，方便后续分析
• 图片场景理解：仓库、机房、办公室等照片，自动识别物体和整体场景
• 多模态问答：结合图片和文本内容回答问题，支持科研、教育或产品原型
• 内容审核与合规检测：识别敏感文字或违规图像，本地部署保护隐私