Qwen3 VL

Unsloth提供的GGUF版本

!logo

Qwen3-VL——Qwen系列迄今最强大的视觉语言模型。

本代模型实现全面升级：卓越的文本理解与生成、更深入的视觉感知与推理、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。

核心增强：

• 视觉代理：操作电脑/移动设备图形界面——识别元素、理解功能、调用工具、完成任务。
• 视觉编码增强：从图像/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；提供更强的2D定位，并支持3D定位以实现空间推理和具身AI。
• 长上下文与视频理解：原生256K上下文，可扩展至1M；处理书籍和数小时长视频，具备完整回忆和秒级索引能力。
• 增强多模态推理：在STEM/数学领域表现出色——支持因果分析和基于证据的逻辑答案。
• 升级视觉识别：更广泛、更高质量的预训练使其能够“识别万物”——名人、动漫、产品、地标、动植物等。
• 扩展OCR：支持32种语言（从19种扩展）：在低光、模糊和倾斜场景下表现稳健；对罕见/古文字和专业术语识别更优；改进长文档结构解析。
• 文本理解能力媲美纯语言模型：无缝融合文本-视觉，实现无损统一理解。

模型架构更新：

!arc

1. Interleaved-MRoPE：通过稳健的位置嵌入在时间、宽度和高度上实现全频率分配，增强长时视频推理能力。
2. DeepStack：融合多级ViT特征，捕捉细粒度细节并增强图文对齐。
3. 文本-时间戳对齐：超越T-RoPE，实现精确的时间戳定位事件，增强视频时间建模。

本仓库为Qwen3-VL-8B-Instruct的权重仓库。

可用模型变体

¹：显存基于模型特性估算。

latest → 8B

🐳 使用Docker Model Runner运行模型

运行模型：

bash
docker model run ai/qwen3-vl

更多信息，请查看Docker Model Runner文档。

🔗 链接

• Qwen3-VL
• Unsloth Dynamic 2.0 GGUF
• 如何微调