Qwen3-VL-4B-Instruct

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）。