模型介绍
中文整理Qwen3-VL-4B-Thinking-GGUF
模型简介
Qwen3-VL是阿里云推出的最强视觉语言模型，提供Dense和MoE两种架构，涵盖从端侧到云端的多种规格，并提供Instruct和Thinking推理增强版本。
模型用途
多模态视觉理解与推理，支持图像、视频的深度理解与交互。
主要能力
视觉Agent：可操作电脑/手机GUI界面，识别元素、理解功能、调用工具、完成复杂任务。
视觉编程：可根据图像或视频生成Draw.io图表或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空间推理及具身AI。
长上下文与视频理解：原生256K上下文，可扩展至100万；支持长书籍和小时级视频的完整记忆和秒级索引。
增强的多模态推理：在STEM和数学领域表现优异，提供因果分析和逻辑推理。
升级的视觉识别：支持识别名人、动漫、产品、地标、植物动物等万物。
扩展的OCR能力：支持32种语言，低光照、模糊、倾斜环境下表现稳健，能识别稀有古文字和专业术语，改进了长文档结构解析。
文本理解：与纯文本LLM相当的文本理解能力，实现无损的文本-视觉融合。
模型架构更新
Interleaved-MRoPE：通过稳健的位置嵌入在时间、宽度、高度上进行全频分配，增强长程视频推理。
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，实现精确的时间戳定位事件，增强视频时序建模。
输入输出格式
支持图像和视频输入，文本输出。
运行要求
支持CPU、NVIDIA GPU（CUDA）、Apple Silicon（Metal）、Intel GPU（SYCL）等多种硬件。
提供FP16和多种量化版本（Q8_0、Q4_K_M等），可混合使用不同精度。
基本用法
使用llama.cpp最新版本进行推理，支持命令行和Web界面。
对于分割为多个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。
许可证
如需引用，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。