模型介绍
中文整理Qwen3-VL-4B-Thinking
模型用途
Qwen3-VL-4B-Thinking 是 Qwen 系列中最强大的视觉语言模型。该模型可应用于 PC 和移动设备 GUI 操作、视觉编码生成、空间感知推理、长文本和视频理解、多模态推理以及光学字符识别等场景。
主要能力
视觉智能体：能够识别界面元素、理解功能、调用工具并完成桌面端和移动端任务。
视觉编码增强：可根据图像和视频生成 Draw.io 图表及 HTML/CSS/JS 代码。
高级空间感知：可判断物体位置、视角和遮挡关系，支持更强的 2D grounding 和 3D grounding，适用于空间推理和具身智能。
长上下文与视频理解：原生支持 256K token 上下文，可扩展至 1M；能够处理书籍和长达数小时的视频内容，具备完整记忆和秒级索引能力。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的答案。
升级的视觉识别：经过更广泛、更高质量的预训练，能够识别名人、动漫角色、产品、地标、植物和动物等各类内容。
扩展的 OCR 能力：支持 32 种语言（相比前代从 19 种提升），在低光照、模糊和倾斜条件下表现稳健，对稀有字符、古老文字和专业术语的识别能力更强，并改进了长文档结构解析。
文本理解能力：实现与纯文本 LLM 相当的文本理解水平，支持无损的文本-视觉融合统一理解。
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率分配，增强长时序视频推理能力。
DeepStack：融合多层 ViT 特征，捕捉细粒度细节并提升图像-文本对齐精度。
文本-时间戳对齐：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：图像、视频、文本指令
输出：文本响应、生成的代码、识别结果等
运行要求
需使用 GPU 运行。建议使用最新的 Hugging Face Transformers 并从源码构建以获得最佳兼容性。
基本用法
可通过 ModelScope 或 Hugging Face Transformers 加载并使用该模型进行推理。
限制
具体限制信息未在官方文档中明确列出。
许可证
具体许可证信息未在官方文档中明确列出。
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。