模型介绍
中文整理Qwen3-VL-2B-Thinking-FP8
模型简介
这是Qwen3-VL-2B-Thinking模型的FP8量化版本，采用细粒度FP8量化，块大小为128，性能指标与原始BF16模型几乎一致。
模型用途
视觉语言模型，支持图像与文本的多模态理解与生成，适用于PC/移动端GUI操作、视觉编程、空间推理、长文本和视频理解等场景。
主要能力
视觉Agent：识别PC/移动端GUI元素，理解功能，调用工具，完成任务。
视觉编程增强：从图像或视频生成Draw.io、HTML、CSS、JS代码。
高级空间感知：判断物体位置、视角和遮挡，支持2D和3D空间推理。
长上下文与视频理解：原生256K上下文，可扩展至1M；支持长文档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、植物和动物等。
扩展的OCR能力：支持32种语言，低光、模糊和倾斜环境下表现稳健，能处理稀有字符和古代字符，改进了长文档结构解析。
文本理解：与纯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、宽度和高度上进行全频率分配，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。
文本-时间戳对齐：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。
输入输出
输入：图像和文本
输出：文本
运行要求
当前🤗 Transformers不支持直接加载这些权重。建议使用vLLM或SGLang进行部署，具体部署方式请参考相关文档。
基本用法
推荐使用vLLM或SGLang进行推理部署，官方提供了示例启动命令。
许可证
如需引用本工作，请按相关引用格式注明。
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。