模型介绍
中文整理Qwen3-VL-8B-Thinking-FP8
模型用途
这是一个FP8量化版本的Qwen3-VL-8B-Thinking视觉语言模型，采用细粒度fp8量化方法，块大小为128，性能与原始BF16模型几乎相同。
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，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：经过更广泛、更高质量的预训练，能够识别各类目标，包括名人、动漫角色、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、模糊和倾斜条件下表现稳健，对稀有字符、古老文字和专业术语识别能力更强，长文档结构解析得到改善。
文本理解：实现与纯文本LLM相当的文本理解能力，文本与视觉融合实现无损统一理解。
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分配，增强长程视频推理；DeepStack融合多层ViT特征以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。
输入输出
输入：图像、视频和文本的组合输入
输出：文本回复
运行要求
推荐使用vLLM或SGLang进行部署，具体运行环境和部署方式请参考相关文档。
基本用法
目前🤗 Transformers暂不支持直接加载此模型权重。建议使用vLLM或SGLang进行推理部署。
限制
模型性能测试结果请参考官方发布的评估数据。
许可证
如需引用本工作，请参照相关引用格式。
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。