QW
模型参数
40亿
上下文长度
256K
中文支持
不支持
推理能力
Qwen3-VL-4B-Instruct 是由 阿里巴巴 发布的 AI 模型，发布时间为 2025-10-15，定位为 多模态大模型，参数规模约为 40亿，上下文长度为 256K，模型文件大小约 8.89 GB，采用 Apache 2.0 许可，在 DocVQA 上取得 95.30 分。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
Qwen3-VL-4B-Instruct
模型基本信息
推理过程
不支持
思考模式
不支持思考模式
上下文长度
256K tokens
最大输出长度
暂无数据
模型类型
多模态大模型
输入/输出模态
文本、图像、视频 → 文本
发布时间
2025-10-15
模型文件大小
8.89 GB
MoE架构
否
总参数 / 激活参数
40亿 / 不涉及
知识截止
暂无数据
Qwen3-VL-4B-Instruct
开源和体验地址
Qwen3-VL-4B-Instruct
官方介绍与博客
DataLearnerAI博客
暂无介绍博客
Qwen3-VL-4B-Instruct
API接口信息
接口速度
3/5
暂无公开的 API 定价信息。
Qwen3-VL-4B-Instruct
评测结果
和其他模型对比
暂时没有为该模型整理的相关对比页面。
想自定义其他组合？打开对比工具
Qwen3-VL-4B-Instruct
发布机构
阿里巴巴
查看发布机构详情 Qwen3-VL-4B-Instruct
模型解读
Qwen3-VL 4B 简介
Qwen3-VL 是阿里巴巴 Qwen 团队在 Qwen3 代系下推出的新一代视觉-语言模型，面向文本、图像与视频的联合理解与生成。该代系在长上下文、多模态融合与时空理解等方面进行了系统升级：模型原生支持 256K token 上下文，并可扩展至 1M；在视频理解中强调时间戳对齐，能够对长时序视频进行秒级片段定位；在跨模态对齐方面引入多层次视觉特征融合。
架构与技术要点
- 多模态骨干：文本与视觉双分支，模型卡与实现代码指向 Qwen3-VL 专用架构；视觉侧采用多层特征融合（DeepStack）以捕获细粒度信息，文本侧采用 Interleaved-MRoPE 以增强长时序/空间位置建模。
- 上下文窗口：原生 256K，可按官方说明扩展至 1M。
- 输入/输出模态：支持图像与视频作为输入，输出为文本；支持 OCR 与版面/结构化文档解析、空间/遮挡关系判断与时序事件定位等。
- 许可：Apache-2.0 开源许可；权重与模型卡已在 Hugging Face 发布。
性能与资源
官方模型卡提供多模态与纯文本基准图表与使用样例；权重与推理代码可通过 Transformers/ModelScope 直接调用。
访问与获取
- GitHub：提供 Qwen3-VL 代码与使用示例。
- Hugging Face：提供 Qwen3-VL-4B-Instruct 权重与模型卡（仓库文件体积约 8.89 GB）。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
