Qwen3-VL-4B-Thinking

模型简介与发布

Qwen3-VL-4B-Thinking 是阿里巴巴 Qwen 团队在 Qwen3-VL 系列下发布的推理增强多模态模型，支持图像/视频作为输入并输出文本。4B/8B（Instruct 与 Thinking）于 2025-10-15 公告上线。

架构与规格

• 上下文：原生 256K，可扩展至 1M。
• 关键组件：Interleaved-MRoPE（时序与二维空间位置编码）、DeepStack（多层 ViT 特征融合）、Text-Timestamp 对齐以强化长视频时序定位。
• 许可：Apache-2.0。

核心能力与模态

覆盖 OCR（32 种语言）、版面/结构化文档理解、空间/遮挡关系与 2D/3D grounding、长视频事件索引与定位、GUI 元素识别与步骤性交互等。

访问方式

• GitHub：提供 Qwen3-VL 代码与使用示例。
• Hugging Face：提供本模型权重与模型卡。