模型介绍
中文整理Qwen3-VL-32B-Instruct-FP8
模型用途
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。
主要能力
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。
视觉编码增强：能从图像或视频生成Draw.io图表及HTML/CSS/JS代码。
高级空间感知：判断物体位置、视角和遮挡关系，提供更强的2D定位能力，并支持3D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；能处理书籍和长达数小时的视频，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、有据可查的回答。
升级的视觉识别：经过更广泛、更高质量的预训练，能识别名人、动漫角色、产品、地标、植物和动物等。
扩展的OCR能力：支持32种语言（从19种增加），在低光、模糊和倾斜环境下表现稳健，对稀有字符、古老字符和专业术语识别能力更强，长文档结构解析得到改善。
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。
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，增强长时视频推理能力。
DeepStack：融合多级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，增强视频时序建模能力。
输入输出
输入：图像、视频和文本的组合，支持交错的多模态输入。
输出：文本响应，包括对视觉内容的理解、推理和生成。
运行要求
该模型为FP8量化版本。当前Hugging Face Transformers不支持直接加载这些权重。建议使用vLLM或SGLang进行部署，具体启动命令见官方部署指南。
基本用法
请参考vLLM或SGLang的官方文档了解详细的推理部署方法。
限制
模型性能相关信息请参考官方发布的性能测试结果。
许可证
请参阅模型仓库中的许可证文件获取详细信息。
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。