Qwen3-VL-2B

模型简介与定位

Qwen3-VL-2B-Instruct 隶属于 Qwen3-VL 多模态系列，由阿里巴巴 Qwen 团队发布，面向轻量化与边缘部署场景，强调在有限显存下提供图像/视频/文本一体化理解与生成能力。

架构与技术规格

模型为稠密结构（Dense），参数规模约 2B。官方模型卡与博客显示该代模型引入 Interleaved-MRoPE（跨时间/宽度/高度的稳健位置编码）、DeepStack（多层级 ViT 特征融合）、Text–Timestamp 对齐等组件，用于提升长时域视频推理与精细粒度视觉-文本对齐。

上下文窗口为原生 256K，可扩展至 1M，用于长文档与长视频的检索与逐段索引。

核心能力与支持模态

支持图文/视频到文本的多模态理解与推理：包含 GUI 元素识别与工具调用（“视觉代理”场景）、空间关系与遮挡判断、STEM 向多步推理、32 种语言的 OCR 与长文档结构解析等。输出为文本。

性能与评测（来自官方模型卡/博客）

模型卡展示了多模态与纯文本基准的对比曲线与示例，表明在视觉理解、视频时间定位与 OCR 长文档方面相较前代有幅度提升。由于该条目未给出细化的逐基准数值，本条严格遵循公开页展示做客观摘录，不延伸推断。

应用场景与限制

适用于本地/边缘侧的图文与视频理解、GUI Agent、文档 OCR 解析与检索问答等；当前未提供该特定权重的官方托管 API 定价，部署需参考本地推理框架与硬件条件。

访问与许可

权重通过 Hugging Face 提供，许可为 Apache-2.0；代码与示例在 GitHub 的 Qwen3-VL 仓库。可使用 Transformers 与相应 Processor 进行推理。