模型详情
模型介绍
中文整理# Qwen3-VL-4B-Instruct-FP8 模型说明
## 模型简介
这是一个FP8量化版本的Qwen3-VL-4B-Instruct模型。量化方法为细粒度fp8量化，块大小为128，性能指标与原始BF16模型几乎完全一致。
模型用途
面向视觉语言任务的指令微调模型，适用于需要视觉理解与推理的应用场景。
## 主要能力
- *视觉Agent**：可操作PC和移动端GUI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**：可根据图像或视频生成Draw.io图表及HTML/CSS/JS代码。
- *空间感知**：判断物体位置、视角和遮挡关系，支持更强的2D grounding和3D空间推理，适用于具身AI。
- *长上下文与视频理解**：原生支持256K上下文，可扩展至1M；能够处理书籍和长时视频，具备完整记忆和秒级索引能力。
- *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。
- *视觉识别**：预训练数据更广泛、质量更高，可识别名人、动漫角色、产品、地标、植物和动物等。
- *OCR能力**：支持32种语言（从19种扩展），在低光、模糊、倾斜环境下表现稳健，对罕见字符和古代文字识别更好，长文档结构解析能力提升。
- *文本理解**：文本与视觉融合达到与纯LLM相当的文本理解水平。
## 模型架构更新
- *Interleaved-MRoPE**：通过稳健的位置嵌入在时间、宽度和高度上进行全频分配，增强长时视频推理能力。
- *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，增强视频时序建模。
## 输入输出
输入：图像、视频、文本指令
输出：文本回复
运行要求
推荐使用vLLM或SGLang进行部署。具体运行环境要求请参考官方部署文档。
基本用法
目前Hugging Face Transformers尚不支持直接加载此模型权重。建议通过vLLM或SGLang进行推理部署。
许可证
如需引用本工作，请参考官方引用格式。
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
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
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。