模型详情
模型介绍
中文整理# Qwen3-VL-8B-Instruct-FP8
模型用途
这是一个FP8量化版本的Qwen3-VL-8B-Instruct模型，属于Qwen系列中最强大的视觉语言模型。该模型采用细粒度FP8量化方法，块大小为128，其性能指标与原始BF16模型几乎完全一致。
## 主要能力
- *视觉代理**：可操作PC/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。
- *视觉编程增强**：能够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；能够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、有据可查的回答。
- *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能力**：支持32种语言（从19种增加）；在低光、模糊和倾斜环境下表现稳健；对罕见/古文字符和专业术语识别更好；改进了长文档结构解析。
- *与纯LLM相当的文本理解**：无缝的文本-视觉融合，实现无损、统一的内容理解。
## 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。
- *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，增强视频时间建模。
## 输入输出
输入：图像、视频和文本
输出：文本
运行要求
推荐使用vLLM或SGLang进行部署。目前🤗 Transformers不支持直接加载这些权重。
基本用法
请参考vLLM或SGLang的部署指南获取详细的运行命令和推理方法。
许可证
如需引用本工作，请参阅原始论文。
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
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
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。