Qwen3-VL-8B-Instruct

Qwen3-VL-8B-Instruct

介绍

Qwen3-VL —— 迄今为止 Qwen 系列中最强大的视觉-语言模型。

这一代在各个方面都进行了全面升级：更优秀的文本理解和生成、更深入的视觉感知和推理、扩展的上下文长度、增强的空间和视频动态理解能力，以及更强的代理交互能力。

提供密集型和 MoE 架构，可从边缘扩展到云端，并有 Instruct 和增强推理的 Thinking 版本，以实现灵活的按需部署。

• ModelScope: https://www.modelscope.cn/models/Qwen/Qwen3-VL-8B-Instruct
• HuggingFace: https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct

主要增强功能：

• 视觉代理：操作 PC/移动 GUI — 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。
• 高级空间感知：判断物体位置、视角和遮挡；提供更强的 2D 接地并支持 3D 接地，用于空间推理和具身 AI。
• 长上下文和视频理解：原生 256K 上下文，可扩展至 1M；处理书籍和长达数小时的视频，具有完整的回忆和秒级索引。
• 增强的多模态推理：擅长 STEM/数学 — 因果分析和基于逻辑、证据的答案。
• 升级的视觉识别：更广泛、更高品质的预训练能够“识别一切”——名人、动漫、产品、地标、动植物等。
• 扩展的 OCR：支持 32 种语言（从 19 种增加）；在低光、模糊和倾斜情况下表现稳健；更好地处理罕见/古代字符和术语；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、统一的理解。

模型架构更新：

• 交错 MRoPE：通过鲁棒的位置嵌入，在时间、宽度和高度上进行全频分配，增强长时间范围的视频推理。
• DeepStack：融合多级 ViT 特征以捕捉细粒度细节并锐化图像-文本对齐。
• 文本-时间戳对齐：超越 T-RoPE，实现精确的时间戳定位，以加强视频时间建模。

这是 Qwen3-VL-8B-Instruct 的权重仓库。

模型性能

多模态性能

纯文本性能

快速开始

Qwen3-VL 的代码已在最新的 Hugging Face transformers 中，建议您使用以下命令从源码构建：

pip install git+https://github.com/huggingface/transformers
# pip install transformers==4.57.0 # currently, V4.57.0 is not released

使用 🤗 Transformers 进行聊天

这里展示了一个代码片段，展示了如何使用 transformers 库中的聊天模型：

from modelscope import Qwen3VLForConditionalGeneration, AutoProcessor

# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen3-VL-8B-Instruct", dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen3-VL-8B-Instruct",
#     dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-8B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt"
)

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

生成超参数

视觉-语言

export greedy='false'
export top_p=0.8
export top_k=20
export temperature=0.7
export repetition_penalty=1.0
export presence_penalty=1.5
export out_seq_length=16384

文本

export greedy='false'
export top_p=1.0
export top_k=40
export repetition_penalty=1.0
export presence_penalty=2.0
export temperature=1.0
export out_seq_length=32768