模型介绍
中文整理Qwen3-VL-2B-Instruct
模型概述
Qwen3-VL是Qwen系列目前最强大的视觉语言模型。该模型在文本理解与生成、视觉感知与推理、上下文长度、空间与视频动态理解、Agent交互能力等方面实现了全面升级。提供Dense和MoE两种架构，涵盖从端侧到云端的多种规格，并包含Instruct和增强推理的Thinking版本。
主要能力
视觉Agent：可操作PC和移动端图形界面，识别界面元素，理解功能，调用工具并完成任务。
视觉编码增强：能从图像和视频生成Draw.io图表及HTML/CSS/JS代码。
高级空间感知：能够判断物体位置、视角和遮挡关系，提供更强的2D grounding能力，并支持3D grounding用于空间推理和具身AI。
长上下文与视频理解：原生支持256K上下文，可扩展至1M；能够处理书籍和时长数小时的视频，实现完整记忆和秒级索引。
增强的多模态推理：在STEM和数学领域表现出色，提供因果分析和逻辑严谨、有据可依的回答。
升级的视觉识别：经过更广泛、更高质量的预训练，能够识别各类内容，包括名人、动漫、产品、地标、植物和动物等。
扩展的OCR：支持32种语言（从19种提升），在低光、模糊和倾斜条件下表现稳健，对罕见字符、古老字符和专业术语识别能力增强，长文档结构解析能力提升。
与纯LLM相当的文本理解：实现无缝的文本-视觉融合，提供无损、统一的全景理解能力。
模型架构更新
Interleaved-MRoPE：通过稳健的位置嵌入，在时间、宽度和高度维度上进行全频段分配，增强长时序视频推理能力。
DeepStack：融合多层ViT特征，捕捉细粒度细节，提升图像-文本对齐精度。
Text-Timestamp Alignment：超越T-RoPE，实现精确的基于时间戳的事件定位，强化视频时序建模。
输入输出
输入：支持图像、视频和文本的交错输入。
输出：文本回复、代码生成、视觉理解结果等。
运行要求
具体硬件和软件要求需参考官方文档。
基本用法
模型可通过ModelScope和Transformers库加载使用。具体使用方法请参考官方文档提供的代码示例。
许可证
如需引用本工作，请按官方提供的引用格式进行标注。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。