模型介绍
中文整理Qwen3-VL-235B-A22B-Instruct-FP8
模型用途
这是Qwen3-VL-235B-A22B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模型几乎完全一致。该模型是Qwen系列中最强大的视觉语言模型。
主要能力
视觉Agent：可操作PC和移动端图形界面，识别界面元素、理解功能、调用工具并完成任务。
视觉编码增强：可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、视角和遮挡情况，提供更强的2D定位能力，并支持3D空间推理和具身AI。
长上下文与视频理解：原生支持256K上下文，可扩展至1M；能处理书籍和长达数小时的视频，具备完整记忆和秒级索引能力。
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严谨、有据可依的回答。
升级的视觉识别：更广泛、更高质量的预训练使其能够"识别一切"，包括名人、动漫、产品、地标、植物和动物等。
扩展的OCR：支持32种语言（原为19种）；在低光、模糊和倾斜环境下表现稳健；对罕见字符、古老字符和专业术语识别能力更强；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-视觉融合统一理解。
模型架构更新
Interleaved-MRoPE：通过强大的位置嵌入在时间、宽度和高度上进行全频率分配，增强长程视频推理能力。
DeepStack：融合多层ViT特征，捕捉细粒度细节并强化图像-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，增强视频时序建模能力。
运行要求
推荐使用vLLM或SGLang进行部署。具体运行时环境和部署详情请参考相关文档。
基本用法
Hugging Face Transformers目前不支持直接加载这些权重。建议使用vLLM或SGLang进行推理部署。
许可证
具体许可证信息请参考模型权重仓库。
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。