Qwen3-VL-2B-Thinking

模型简介与定位

Qwen3-VL-2B-Thinking 是 Qwen3-VL 系列的轻量级推理增强版本，由阿里巴巴 Qwen 团队发布。该模型在 2B 参数体量下，通过强化链式思维（Chain-of-Thought, CoT）与视觉-文本推理能力，实现多模态输入下的逻辑、时序与空间理解。

架构与技术规格

模型采用稠密结构（Dense），参数规模约 20 亿，具备原生 256K 上下文，可扩展至 1M。引入 Interleaved-MRoPE（多维旋转位置编码）与 DeepStack 层级融合结构，用于对齐多帧视频与长文本的时间序列。其 Thinking 版本在训练阶段额外使用强化推理标注数据集，优化视觉与语言间的因果与条件关系推断。

核心能力与模态支持

支持图像、视频、文本输入及文本输出，擅长长时视频推理、视觉链式推理、多轮多模态问答、STEM 场景因果判断等任务。通过多步思维路径生成，显著提升了在复杂视觉-逻辑任务下的稳定性。

性能与评测

根据官方模型卡，Thinking 版本在视觉 QA、时序推理与文档跨页理解等基准中较 Instruct 模型有更高的准确率。官方未公开具体数值，本条仅摘录结构性信息。

访问与许可

模型已在 Hugging Face 发布，许可为 Apache-2.0；源代码位于 Qwen3-VL 官方仓库，可通过 Transformers 推理接口直接加载使用。