はじめに

↓こちらに関する記事です。

タイトルにも書いている「Qwen2.5-VL」のモデル（量子化された MLX版のうちの 1つ）と「MLX-VLM」を使ったローカルLLM、処理的には Image to Text になる話です。

MLX-VLM を使った Image to Text

MLX-VLM を使った Image to Text は、前に Llama-3.2-11B-Vision-Instruct-4bit の MLX対応版（mlx-community/Llama-3.2-11B-Vision-Instruct-4bit）を使ったお試しをやっていたことがありました。

その時の話は以下の記事に書いています。

●「Llama-3.2-11B-Vision-Instruct-4bit」と「MLX-VLM」を使ったローカルLLM ＋画像入力を M4 Mac mini で試した時のメモ - Qiita
　https://qiita.com/youtoy/items/90b80eb1a3b3cac4c184

そして前に行った時の結果は以下です。

ちなみに、今回のお試しで用いる入力画像は、前に使ったのと同じ画像（上記で掲載している画像）になります。
しかし今回は、モデルとして「mlx-community/Qwen2.5-VL-7B-Instruct-8bit」を使ってみます。

今回用いるモデルの元になっている Qwen2.5-VL は、最近リリースされたばかりのモデルです。

基本的な流れ

今回のお試しのやり方は、当初の想定では「mlx-community/Llama-3.2-11B-Vision-Instruct-4bit」を試した時の手順でできると思っていました（前回も今回も、どちらもモデルが MLX-VLM に対応しているものであったため）。

対応が必要なのは、モデル名を「mlx-community/Qwen2.5-VL-7B-Instruct-8bit」のものに変えるだけ、という想定でした。

最終的な流れ

最終的には、前に「MLX-VLM」を試した流れとほぼ同じで、途中に以下を加えた手順で成功させられました。

pip install git+https://github.com/huggingface/transformers

ざっくり書くと、こんな感じです。

前提
- Python の環境（自分は仮想環境を準備）、MLX-VLM はセットアップ済み
- MLX版のモデルを使うので Apple Silicon の Mac を利用（自分は M4 Mac mini）
- マシンでローカルLLM用に使えるメモリが 9GB強以上（今回使うモデルのサイズの関係）
手順
1. Python の 3.12系で MLX-VLM のバージョン 0.1.12 をインストール（※ Python のバージョンに関して、前に作った環境を今回は流用しており、前にセットアップした際は Python 3.13系を使って試したら途中でエラーが出た）
2. 上記の transformers のインストール（デフォルトで入るものと異なるバージョンを上書きする形）
3. PyTorch のインストール（ pip install torch を実行）
4. MLX-VLM のコマンドを実行

得られた出力に関する画像・テキスト

得られた出力に関する画像・テキストを掲載してみます。

The image depicts a dramatic scene featuring two dragons engaged in a fierce battle. The dragon on the left is blue and appears to be breathing a stream of icy blue energy, while the dragon on the right is red and is breathing a stream of fiery orange energy. The background is a dynamic sky with swirling clouds and lightning bolts, adding to the intensity of the scene. The dragons are positioned on opposite sides of a mountain, with the blue dragon on the left and the red dragon on the right. The overall atmosphere is one of conflict and power, with the two dragons locked in a battle of elements.
==========
Prompt: 234 tokens, 131.349 tokens-per-sec
Generation: 121 tokens, 13.426 tokens-per-sec
Peak memory: 9.142 GB

【追記】PyTorch のインストール

当初、出力の中で「None of PyTorch, TensorFlow >= 2.0, or Flax have been found.」という内容が出ていました。

それで、上記手順には追記済みですが PyTorch のインストールも行っておくのが良さそうでした。

対応後の状態

PyTorch をインストール後は、以下のように先ほどのメッセージがでなくなりｍ

【追記2】Python のプログラムでも試してみた

コマンドでの利用だけでなく、Python のプログラムでの利用も少しだけ試してみました。

エラー対応の話

以下は、上記を試していく中でエラーに対応した話など、補足となる内容です。

今回のお試しを進める中で 2回エラーが発生していたのですが、その内容をメモとして書き残してみます。

エラーが出た話1

最初に試そうとした時は、以下のエラーが出ていました。

エラーの原因は、この時点で「MLX-VLM」が「Qwen2.5-VL」に対応していない状態だったためです。

上記のエラーの解決

その後、以下のように MLX-VLM がアップデートされ、Qwen2.5-VL への対応が追加されました。

これで以下のコマンドを実行することにより、Qwen2.5-VL に対応した MLX-VLM へとアップデートできる状態になりました。

pip install -U mlx-vlm

実際、以下のように 0.1.12 へのアップデートは無事成功し、上で書いていたエラーは解消しました。

しかしその後、もう 1つエラーが発生しました。

エラーが出た話2

次に発生していたエラーは以下のものです。

エラーの原因

上記の原因について GitHub に Issue にあがってそう、と思って見てみたところ、以下の内容がでてきました。

●Qwen2.5-VL failing · Issue #192 · Blaizzy/mlx-vlm
　https://github.com/Blaizzy/mlx-vlm/issues/192

そして、以下の記載を見つけました。

エラーの解決法

どうやら、transformers のバージョンが原因のようです。

また、uvコマンドを使って対処した例の話と組み合わせて考えると、最低限 uvコマンドを使った例の中の transformers関連部分の対応が必要そうでした。

それで、上で書いていた pip install git+https://github.com/huggingface/transformers を実行するというのを加えてみました。
他は対応が必要なものが特になく、これで無事に冒頭に掲載していたような結果を得られました。

「Qwen2.5-VL」の量子化された MLX版のモデルの一部抜粋

最後に、「Qwen2.5-VL」の量子化された MLX版のモデルで、自分が試そうと思ったモデルを列挙してみます。

どれも自分の M4 Mac mini のメモリで対応可能なものになります（※ 搭載されているメモリは 24GB で、ローカルLLM用にデフォルトで使用されるのが 16GB）。

●mlx-community/Qwen2.5-VL-7B-Instruct-8bit at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-7B-Instruct-8bit/tree/main

●mlx-community/Qwen2.5-VL-7B-Instruct-6bit at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-7B-Instruct-6bit/tree/main

●mlx-community/Qwen2.5-VL-3B-Instruct-bf16 at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-3B-Instruct-bf16/tree/main

●mlx-community/Qwen2.5-VL-3B-Instruct-8bit at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-3B-Instruct-8bit/tree/main

●mlx-community/Qwen2.5-VL-3B-Instruct-6bit at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-3B-Instruct-6bit/tree/main

●mlx-community/Qwen2.5-VL-3B-Instruct-3bit at main
　https://huggingface.co/mlx-community/Qwen2.5-VL-3B-Instruct-3bit/tree/main

この中で、モデルサイズの大きめのものを 1つ選んだという流れでした。

余談

今回、MLX-VLM を使ったお試しでしたが、以下の記事で使っている MLX-LM も便利です。

●MLX でローカルLLM：「mlx-community/phi-4-4bit」を試す（M4 Mac mini、mlx-lm を利用） - Qiita
　https://qiita.com/youtoy/items/a12ee071dd8290fc0715

●mlx-community の「Llama-3-ELYZA-JP-8B-8bit」「Swallow-13b-instruct-v0.1-8bit」を mlx-lm で試す - Qiita
　https://qiita.com/youtoy/items/973910dada605ab7e259

Image to Text に MLX-VLM を使い、Text to Text に MLX-LM を使っているような使い分けになっています。