Qwen3-VL-8B-Thinking

Qwen3-VL-8B-Thinking

模型概述

Qwen3-VL是Qwen系列目前最强大的视觉语言模型。该代模型在各方面进行了全面升级：更出色的文字理解与生成能力、更深入的视觉感知与推理能力、更长的上下文长度、增强的空间和视频动态理解能力，以及更强的智能体交互能力。提供Dense和MoE两种架构，涵盖从端侧到云端的部署规模，并提供Instruct和增强推理的Thinking版本。

主要能力

视觉智能体：可操作PC和移动端图形用户界面，识别界面元素、理解功能、调用工具、完成复杂任务。

视觉编程增强：能从图像或视频生成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空间推理和具身智能。

长上下文与视频理解：原生支持256K上下文，可扩展至1M；能处理书籍和时长数小时的视频，实现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严谨、有据可查的回答。

升级的视觉识别：经过更广泛、更高质量的预训练，能识别各类内容，包括名人、动漫角色、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，长文档结构解析能力提升。

与纯LLM相当的文本理解：实现无缝的文本-视觉融合，提供无损、统一的全方位理解能力。

架构更新

Interleaved-MRoPE：通过稳健的位置嵌入，在时间、宽度和高度维度上进行全频段分配，增强长时视频推理能力。

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。

Text-Timestamp Alignment：超越T-RoPE，实现精确的基于时间戳的事件定位，强化视频时序建模。

运行要求

模型权重仓库用于Qwen3-VL-8B-Thinking版本。

基本用法

提供使用ModelScope和Transformers的简单示例。Qwen3-VL代码已集成至最新版本的Hugging Face Transformers，建议使用指定命令从源码构建。

许可证

如需引用本工作，请参照相关引用格式。