Qwen3-Embedding-0.6B

Qwen3-Embedding-0.6B

https://huggingface.co/Qwen/Qwen3-Embedding-0.6B

遇见 Qwen3-VL—— 迄今为止 Qwen 系列中最强大的视觉语言模型。

这一代产品实现了全方位的全面升级：卓越的文本理解与生成能力，更深层的视知觉与推理，延长的上下文处理长度，增强的空间与视频动态理解，以及更强大的智能体交互功能。

提供密集型和 MoE 架构，支持从边缘到云的扩展，并配备增强推理的 Instruct 与 Thinking 版本，实现灵活按需部署。

关键增强功能：
视觉代理：操作 PC / 移动设备的图形用户界面 —— 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。

高级空间感知：判断物体位置、视角及遮挡情况；提供更强大的二维基础，并为空间推理和具身 AI 实现三维基础。

长文本与视频理解：原生支持 256K 上下文，可扩展至 1M；处理书籍及数小时视频，具备完整记忆与二级索引能力。

增强型多模态推理：在 STEM / 数学领域表现出色，擅长因果分析及提供逻辑严密、基于证据的解答。

升级视觉识别：通过更广泛、更高质量的预训练，能够 “识别一切”—— 名人、动漫、产品、地标、动植物等。

扩展 OCR 功能：支持 32 种语言（之前为 19 种）；在低光、模糊和倾斜条件下表现更佳；对稀有 / 古代字符及专业术语处理更优；长文档结构解析能力增强。

文本理解媲美纯 LLM：无缝融合文本与视觉，实现无损统一的理解。

模型架构更新：

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

DeepStack：融合多层次 ViT 特征，捕捉细微细节，强化图像与文本的对齐精度。

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，以加强视频时序建模。

模型性能

多模态性能

纯文本性能

快速入门
以下，我们提供简单示例，展示如何通过🤖 ModelScope 和🤗 Transformers 使用 Qwen3-VL。

Qwen3-VL 的代码已包含在最新版的 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

此处展示一段代码片段，演示如何结合 transformers 使用聊天模型：

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor

# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen3-VL-4B-Thinking", 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-4B-Thinking",
#     dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-4B-Thinking")

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"
)
inputs = inputs.to(model.device)

# 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)