模型详情
模型介绍
中文整理# Qwen3-VL-32B-Instruct-GGUF 模型说明
模型用途
Qwen3-VL-32B-Instruct-GGUF 是一个多模态视觉语言模型，提供GGUF格式权重。该模型可处理图像、视频和文本输入，支持在个人设备上运行推理。
## 主要能力
- *视觉代理**：识别PC和移动端GUI元素，理解功能并调用工具完成任务。
- *视觉编码增强**：根据图像或视频生成Draw.io、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；能够处理长篇文档和小时级视频内容。
- *增强的多模态推理**：在STEM和数学领域表现出色，提供因果分析和逻辑推理。
- *升级的视觉识别**：支持识别名人、动漫、产品、地标、动植物等广泛类别。
- *扩展的OCR能力**：支持32种语言，低光照、模糊、倾斜环境下仍可正常工作，能识别稀有字符和古代文字。
- *文本理解**：实现无损的文本-视觉融合理解，文本理解能力与纯LLM相当。
## 模型架构
- **Interleaved-MRoPE**：通过稳健的位置嵌入实现时间、宽度、高度的全频分配
- **DeepStack**：融合多层ViT特征，捕捉细粒度细节
- **文本-时间戳对齐**：支持精确的时间定位事件
## 输入输出
- **输入**：图像、视频、文本
- **输出**：文本回复
运行要求
- *支持平台**：CPU、NVIDIA GPU（CUDA）、Apple Silicon（Metal）、Intel GPU（SYCL）等
- *文件格式**：GGUF
- *组件精度**：
- 语言模型（LLM）：FP16、Q8_0、Q4_K_M
- 视觉编码器（mmproj）：FP16、Q8_0
- *软件要求**：llama.cpp最新版本
基本用法
- 使用llama.cpp进行推理，支持命令行和Web界面
- 可根据硬件性能需求混合选择语言模型和视觉组件的精度
- 支持从FP16权重进行自定义量化
- 多文件分片模型只需指定第一个分片，llama.cpp会自动加载全部文件
许可证
请参阅原始项目许可证。
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。