模型找得到，
下载更顺手。

先到原站查看并完成访问要求；下载权限不等于商用许可。

DiarizationLM-Gemma-4-E4B-v1 DiarizationLM 是一个大语言模型框架，用于后处理、纠正和优化自动语音识别（ASR）及说话人日志输出。 基于谷歌 Gemma 4 E4B（40亿密集参数）基础模型微调，采用局部性保持预言监督训练，涵盖四个标准说话人日志基准语料库：Fisher English（2人对话电话语音）、Callhome American English（2-5人非正式电话对话）、ICSI Meeting Corpus（3-9人学术研

Qwen3-VL-235B-A22B-Thinking-GGUF 多模态视觉语言模型，支持图像与文本的联合理解与生成，可在个人设备上运行推理。 视觉Agent：识别PC和移动端GUI元素，理解功能并调用工具完成任务。

Qwen2-VL-72B-Instruct-GPTQ-Int8 Qwen2-VL是一款多模态视觉语言模型，可处理图像和视频理解任务，支持基于视觉的高质量问答、对话、内容创作等应用场景。该模型经过指令微调，可根据用户指令完成各类视觉理解任务。 Qwen2-VL具备以下核心能力：支持各种分辨率和比例图像的先进视觉理解；在视频理解方面可处理超过20分钟的时长；具备复杂推理和决策能力，可与手机、机器人等设备集成，实现基于视觉环境和文本指令的自动操作；支持多语言理解，除英语和中文外，还

Qwen2-VL-2B-Instruct-GPTQ-Int8 Qwen2-VL是Qwen-VL模型的最新迭代版本，代表了近一年的技术创新。 图像理解：在各种分辨率和比例的图像上达到最先进的性能，在MathVista、DocVQA、RealWorldQA、MTVQA等视觉理解基准测试中表现优异。

Qwen3-VL-235B-A22B-Instruct 是一款强大的视觉语言多模态模型，可处理图像、视频和文本输入，进行视觉理解、推理和生成。 视觉代理：可操作电脑或手机图形界面，识别界面元素、理解功能、调用工具并完成任务。 视觉编程辅助：可根据图像或视频生成 Draw.io 图表或 HTML/CSS/JS 代码。

Qwen3-VL-30B-A3B-Thinking-GGUF Qwen3-VL-30B-A3B-Thinking 是一款多模态视觉语言模型，属于 Qwen3-VL 系列中的推理增强版本。该模型将语言模型与视觉编码器分开提供，均为 GGUF 格式，可用于在个人设备上运行多模态推理任务。 视觉Agent：可操作电脑和移动设备的图形界面，识别界面元素、理解功能、调用工具并完成任务。

Qwen3-VL-32B-Thinking-GGUF Qwen3-VL-32B-Thinking是一款多模态视觉语言模型，属于Qwen3系列中专注于推理能力增强的版本。该模型支持图像、视频和文本的联合理解与生成，可运行于个人设备上。 视觉代理：能够识别PC和移动端GUI界面元素，理解功能并调用工具完成自动化任务。

Qwen2-VL-72B-Instruct-AWQ Qwen2-VL-72B-Instruct-AWQ是一个经过指令微调的大规模视觉语言模型，采用AWQ量化技术，可用于图像理解、视频理解、视觉问答、内容创作等任务，也可作为Agent集成到手机、机器人等设备中实现自动化操作。 图像理解：支持任意分辨率和宽高比的图像处理，在MathVista、DocVQA、RealWorldQA、MTVQA等视觉理解基准测试中达到领先水平。

Qwen2-VL-7B-Instruct-GPTQ-Int8 Qwen2-VL是一款多模态视觉语言模型，可处理图像和视频理解、基于视觉的问答对话、内容创作等任务，并能作为代理集成到手机、机器人等设备中，根据视觉环境和文本指令进行自动操作。 该模型在视觉理解基准测试中达到领先水平，包括MathVista、DocVQA、RealWorldQA、MTVQA等。支持理解20分钟以上的长视频。支持多种语言除英语和中文外，还支持图像中大多数欧洲语言、日语、韩语、阿拉伯语、越南语等文本的理

这是一个多模态视觉语言模型，提供GGUF格式权重，可在个人设备上运行推理。 视觉代理：识别PC和移动端GUI元素，理解功能并调用工具完成任务。 视觉编程增强：根据图像或视频生成Draw.io图表及HTML/CSS/JS代码。

Qwen2-VL-2B-Instruct-AWQ Qwen2-VL-2B-Instruct-AWQ是一个视觉语言模型，可处理图像和视频理解任务，适用于问答、对话、内容创作等场景。该模型可集成到手机、机器人等设备中，基于视觉环境和文本指令进行自动操作。 该模型在视觉理解基准测试中达到先进水平，包括MathVista、DocVQA、RealWorldQA、MTVQA等。支持理解20分钟以上的长视频。除英语和中文外，还支持多种语言的图像文本理解，包括欧洲主要语言、日语、韩语、阿拉伯

Qwen3-VL-4B-Thinking-GGUF Qwen3-VL是阿里云推出的最强视觉语言模型，提供Dense和MoE两种架构，涵盖从端侧到云端的多种规格，并提供Instruct和Thinking推理增强版本。 多模态视觉理解与推理，支持图像、视频的深度理解与交互。

本模型提供GGUF格式的Qwen3-VL-8B-Thinking权重，可用于本地设备上的多模态推理。支持图像理解、视频分析、视觉Agent操作、代码生成等任务。 视觉Agent：识别PC和移动端GUI元素，理解功能并调用工具完成自动化任务。 视觉编程增强：根据图像或视频生成Draw.io图表、HTML、CSS、JavaScript代码。

Qwen3-VL-32B-Instruct-GGUF 是一个多模态视觉语言模型，提供GGUF格式权重。该模型可处理图像、视频和文本输入，支持在个人设备上运行推理。 视觉代理：识别PC和移动端GUI元素，理解功能并调用工具完成任务。 视觉编码增强：根据图像或视频生成Draw.io、HTML、CSS、JS代码。

Qwen3-VL-30B-A3B-Instruct-GGUF 提供GGUF格式的Qwen3-VL-30B-A3B-Instruct模型权重，支持本地设备上的多模态大语言模型推理。 视觉代理：识别PC和移动端GUI元素，理解功能并调用工具完成任务。

Qwen2-VL是Qwen-VL模型的最新迭代版本，代表了近一年的技术创新。 先进的图像理解能力：Qwen2-VL在各种分辨率和宽高比的图像理解方面达到领先水平，在MathVista、DocVQA、RealWorldQA、MTVQA等视觉理解基准测试中表现优异。 长视频理解能力：Qwen2-VL能够理解超过20分钟的视频，支持高质量的基于视频的问答、对话、内容创作等应用。

Qwen3-VL-32B-Instruct-FP8 Qwen3-VL-32B-Instruct-FP8是一个FP8量化版本的视觉语言模型，属于Qwen3-VL系列。该模型经过细粒度fp8量化，块大小为128，性能指标与原始BF16模型几乎相同。 视觉代理：可操作PC和移动设备图形界面，识别界面元素，理解功能，调用工具并完成任务。

Qwen3-VL-2B-Instruct-GGUF 本仓库提供Qwen3-VL-2B-Instruct的GGUF格式权重，分为两个组件：语言模型（LLM）和视觉编码器（mmproj）。这些文件兼容llama.cpp、Ollama及其他基于GGUF的工具，支持在CPU、NVIDIA GPU（CUDA）、Apple Silicon（Metal）、Intel GPU（SYCL）等设备上运行推理。用户可根据硬件和性能需求混合使用不同精度，也可从FP16权重开始进行自定义量化。