📌 项目地址：QwenLM/Qwen3-VL | ⭐ 19,257 颗星 | 🔧 Jupyter Notebook | 📜 Apache-2.0
不是升级版，是重写了底层
Qwen3-VL是通义千问视觉语言模型的第三代。2025年10月发布2B和32B两个参数规模，每个规模分Instruct和Thinking两个版本。11月公开论文。GitHub仓库19257星，模型在Hugging Face和ModelScope都能下载。
README开篇就说这是”the most powerful vision-language model in the Qwen series to date”。这话不虚，因为这次改的不是参数数量，而是视觉-文本融合的底层架构。下面拆三个核心变化。
三个架构改动，对应三个实际痛点
Interleaved-MRoPE
传统位置编码只处理一个维度（时间或空间）。Qwen3-VL把位置编码在时间、宽度、高度三个维度上做全频率分配。效果：模型看一段3小时的监控视频，能同时记住”第5分钟”、”画面左侧”、”人物头顶”这些立体坐标。这对于视频因果推理——比如”为什么主角在第8分钟推开窗”——是必须的。没有这个，模型只能记住顺序，记不住”哪里”和”什么时候”。
DeepStack
ViT提取的视觉特征是分层的：浅层保留纹理细节（边缘、颜色），深层包含语义（物体、场景）。DeepStack把这些不同层的特征融合起来。你让模型”找红色汽车”，它能同时调深层的语义定位”汽车”和浅层的纹理识别”红色”。以前模型容易看错——要么只看见颜色，要么只看见形状。现在双重验证，误判率下降。
文本-时间戳对齐
之前的T-RoPE只能处理文本和视频的顺序关系，没法精确到秒。这次直接能把自然语言描述绑定到视频的精确时间戳。你问”主角转身的瞬间”，它返回一个时间点（比如00:12:34）。这在视频摘要、事件检索里很有用：不是”大概在中间”，而是”就是这里”。
这三个改动不是各自为政。Interleaved-MRoPE负责多维度定位，DeepStack负责多粒度特征融合，文本-时间戳对齐负责把语言和视频坐标锁死。合起来才撑起了后面的功能。
八个能力，哪些值得认真用
以下按实际价值排序，不是按README列表顺序。
1. 视觉Agent（最有差异化的能力）
这是从”看懂”到”操作”的跨越。模型能识别PC或手机GUI上的元素——按钮、文本框、下拉菜单——然后根据自然语言指令规划步骤并生成自动化脚本。比如”把这个表格的第三列复制到新文档”，它会先定位表格区域、找到第三列、再生成操作序列。目前能做到这一步的多模态模型很少。
2. 长上下文视频理解（原生256K，可扩1M）
一本300页的教材、一部两小时的电影，它能全文/全帧处理，支持秒级索引。实测：问”第47分21秒那个红色按钮是什么”，它告你答案。这在排查监控、翻录课件、处理长文档场景里很实用。注意：原生256K，1M是扩展后的，需要调整推理配置。
3. 多模态推理（STEM/数学）
不是简单匹配视觉特征，而是基于证据做因果分析。比如”这张电路图里哪个电阻烧了，为什么”，它会结合元件颜色、位置、电路逻辑来推理。在数学题、物理实验图、数据图表上表现比前代提升明显。
4. 视觉识别范围扩大
预训练数据覆盖更广，能认出名人、动漫角色、商品、地标、动植物等。没有具体数字，但覆盖度确实比Qwen2-VL好。
5. OCR支持32种语言
之前只支持10种。这次在低光、模糊、倾斜场景下稳定识别，对生僻字、古文字、专业术语也有改善。长文档结构解析（表格、多列、页眉页脚）也更准。如果你需要处理多语言发票、票据、古籍扫描件，这个升级实用。
6. 高级空间感知（2D/3D）
能判断物体位置、视角、遮挡关系。不仅做2D定位（比如”桌子的左边”），还能做3D空间定位（”摄像头到门的距离”）。对机器人、自动驾驶等具身智能有价值，但对普通用户可能用不上。
7. 视觉编码（图像/视频→代码）
从图片或视频直接生成Draw.io图形、HTML、CSS、JS代码。我试了一下，给一张网页截图，它确实能写出基本布局的代码。质量取决于截图复杂度，简单的单页布局基本一次过。
8. 文本理解与纯LLM持平
因为视觉和文本深度融合，做问答、摘要、翻译时，感觉不到”这是多模态模型”的妥协。甚至处理纯文本任务，效果也接近同规模的语言模型。这意味着如果你有一个多模态应用，不需要再单独部署一个纯文本模型来处理文字部分。
模型选型：两个维度决定
参数规模分2B和32B。每个规模分Instruct和Thinking两个版本。
选Instruct还是Thinking
Instruct版：直接回答，速度快。适合大部分常规任务：看图问答、文字提取、代码生成。
Thinking版：先做内部推理链再回答，速度慢但准确率高。适合需要多步推理的复杂任务：数学题、因果分析、规划类。
我建议：先试Instruct，遇到复杂推理错误再切Thinking。不要无脑用Thinking，耗时翻倍。
选2B还是32B
2B：能跑在手机、树莓派、边缘设备上，量化后1-2GB。效果够用，但复杂推理能力有限。
32B：主力模型，效果最好。需要至少20GB显存（FP16），量化后10GB左右。
如果你的任务涉及长视频、多语言OCR、视觉Agent，直接上32B。如果只是简单图文问答、图片摘要，2B足够。
所有版本Apache-2.0许可，可以商用。
上手路线
最快方式：在线Demo → huggingface.co/spaces/Qwen/Qwen3-VL ，上传图片或视频就能试。不用装环境。
要自己跑：去Hugging Face的Cookbooks合集
https://huggingface.co/collections/Qwen/qwen3-vl-cookbooks-68f1d89c8f1a9c8b6c5a8b1a
里面有各类任务的代码示例（推理、微调、评估）。仓库里没有build和setup命令，所有安装依赖参考Hugging Face上的文档。
论文在Arxiv：https://arxiv.org/pdf/2511.21631 ，想看详细训练和实验设计的可以翻。不过论文95页，建议先看第3-5节（模型架构、训练、评估），其余部分引用参考。
就这些。有实测疑问可以讨论。