模型介绍
中文整理Qwen3-VL-4B-Instruct-GGUF
模型用途
多模态视觉语言模型，支持图像、视频和文本的理解与生成，可在个人设备上运行。
主要能力
视觉Agent：识别PC和移动端GUI元素，理解功能，调用工具完成任务。
视觉编码增强：根据图像和视频生成Draw.io图表或HTML/CSS/JS代码。
高级空间感知：判断物体位置、视角和遮挡关系，支持2D和3D空间推理。
长上下文与视频理解：原生支持256K上下文，可扩展至1M；能处理长文档和小时级视频内容。
增强的多模态推理：在STEM和数学领域表现优异，提供因果分析和逻辑推理。
升级的视觉识别：可识别名人、动漫角色、产品、地标、植物和动物等。
扩展OCR：支持32种语言，低光、模糊、倾斜环境下表现稳健，能识别稀有字符和古代文字。
文本理解：实现与纯LLM相当的文本理解能力，支持无缝的文本-视觉融合。
模型架构
Interleaved-MRoPE：通过稳健的位置嵌入，在时间、宽度和高度上进行全频率分配，增强长时视频推理。
DeepStack：融合多层级ViT特征，捕捉细粒度细节，提升图像-文本对齐。
Text-Timestamp Alignment：超越T-RoPE，实现精确的基于时间戳的事件定位，增强视频时序建模。
输入输出
输入：图像、视频、文本
输出：文本响应
运行要求
支持llama.cpp、Ollama及其他基于GGUF的工具。
支持运行平台：CPU、NVIDIA GPU（CUDA）、Apple Silicon（Metal）、Intel GPU（SYCL）等。
语言模型（LLM）精度：FP16、Q8_0、Q4_K_M
视觉编码器（mmproj）精度：FP16、Q8_0
基本用法
可根据硬件条件和性能需求，为语言模型和视觉组件选择不同精度。
支持从FP16权重进行自定义量化。
许可证
如需引用，请参考原始论文。
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。