模型介绍
中文整理Qwen3-VL-235B-A22B-Thinking-GGUF
模型用途
多模态视觉语言模型，支持图像与文本的联合理解与生成，可在个人设备上运行推理。
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任务。
视觉编码：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。
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时长数小时的视频。
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：可识别名人、动漫角色、产品、地标、植物和动物等。
扩展OCR：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。
文本理解：实现无损的文本与视觉融合理解，文本处理能力与纯语言模型相当。
模型架构更新
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。
DeepStack：融合多层ViT特征，捕捉细粒度细节并强化图像与文本对齐。
Text-Timestamp Alignment：超越T-RoPE，实现精确的基于时间戳的事件定位，提升视频时序建模能力。
输入输出
输入：图像和文本提示
输出：文本回复
运行要求
兼容llama.cpp、Ollama及其他基于GGUF的工具
支持CPU推理
支持NVIDIA GPU（CUDA）
支持Apple Silicon（Metal）
支持Intel GPU（SYCL）
语言模型支持精度：FP16、Q8_0、Q4_K_M
视觉编码器支持精度：FP16、Q8_0
基本用法
命令行推理：使用llama.cpp最新版本加载模型进行推理
Web聊天界面：启动llama-server服务后，通过浏览器访问本地端口使用聊天界面
模型分片：若模型拆分为多个GGUF文件，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权重进行进一步量化
许可证
请参考原始模型许可证。
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。