模型介绍
中文整理Qwen3-VL-235B-A22B-Thinking-FP8
模型概述
这是Qwen3-VL-235B-A22B-Thinking模型的FP8量化版本。量化方法为细粒度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
面向视觉语言多模态任务，支持图像理解、视频分析、GUI操作、代码生成等应用场景。
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，理解功能并调用工具完成任务。
视觉编码增强：可根据图像或视频生成Draw.io图表及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 grounding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；可处理长篇文档和小时级视频，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、植物动物等广泛类别。
扩展的OCR能力：支持32种语言（原为19种），在低光、模糊、倾斜环境下表现稳健，能识别稀有字符、古文字和专业术语，并改进了长文档结构解析。
文本理解：与纯语言模型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、宽度和高度维度进行全频谱分配，增强长时序视频推理。
DeepStack：融合多层ViT特征，捕捉细粒度细节，提升图像-文本对齐质量。
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。
运行要求
推荐使用vLLM或SGLang进行部署。具体运行环境要求和部署细节请参考官方文档。
基本用法
当前Hugging Face Transformers尚不支持直接加载此权重。可通过vLLM或SGLang进行推理部署。
许可证
许可证信息请参考官方仓库。
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。