模型介绍
中文整理Qwen3-VL-8B-Thinking-GGUF 模型卡片
模型用途
本模型提供GGUF格式的Qwen3-VL-8B-Thinking权重，可用于本地设备上的多模态推理。支持图像理解、视频分析、视觉Agent操作、代码生成等任务。
主要能力
视觉Agent：识别PC和移动端GUI元素，理解功能并调用工具完成自动化任务。
视觉编程增强：根据图像或视频生成Draw.io图表、HTML、CSS、JavaScript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100万token，能够处理长篇文档和数小时视频。
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、动漫角色、产品、地标、植物和动物等。
扩展的OCR能力：支持32种语言，低光照、模糊、倾斜场景下表现稳健，能识别稀有字符和古代文字。
与纯LLM相当的文本理解：实现无损的文本-视觉融合理解。
输入输出
输入：图像、视频、文本提示
输出：文本回复、代码、推理过程
运行要求
兼容llama.cpp、Ollama及其他GGUF工具。支持在CPU、NVIDIA GPU（CUDA）、Apple Silicon（Metal）、Intel GPU（SYCL）等硬件上运行。
需使用最新版本的llama.cpp。
基本用法
命令行推理：使用llama-mtmd-cli运行模型，可指定不同精度的视觉编码器和语言模型。
Web聊天界面：启动llama-server后，通过浏览器访问本地端口使用聊天界面，或调用OpenAI兼容的API端点。
模型分片：对于拆分为多个GGUF文件的模型，只需指定第一个分片，llama.cpp会自动加载全部文件。
自定义量化：可从FP16权重进一步量化到其他精度。
许可证
如需引用本工作，请参照官方引用格式。
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。