深入解析：【2B篇】阿里通义 Qwen3-VL 新增 2B、32B 两个模型尺寸，手机也能轻松运行

认识Qwen3-VL——通义千问系列迄今为止最强大的视觉语言模型。

这一代实现了全方位升级：更卓越的文本理解与生成、更深度的视觉感知与推理、更长的上下文处理能力、增强的空间与视频动态理解，以及更强大的智能体交互功能。

提供从边缘设备到云端均可扩展的Dense和MoE架构，并配备指令微调版与推理增强的Thinking版本，支持灵活按需部署。

核心升级：

• 视觉智能体：可操作PC/移动端图形界面——识别元素、理解功能、调用工具、完成任务。

• 视觉编程增强：根据图像/视频生成Draw.io图表/HTML/CSS/JS代码。

• 高级空间感知：判断物体位置、视角与遮挡关系，提供更强的2D空间定位能力，并支持3D空间推理与具身智能。

• 长上下文与视频理解：原生支持256K上下文窗口，可扩展至1M；完整记忆并二级索引处理书籍和数小时长视频内容。

• 增强多模态推理：擅长STEM/数学领域——因果分析与基于证据的逻辑应答。

• 升级版视觉识别：经过更广域、更高质量的预训练，实现"万物识别"——名人、动漫、商品、地标、动植物等。

• 扩展OCR能力：支持32种语言（原19种）；在弱光、模糊、倾斜场景下表现稳健；对生僻字/古籍术语识别更优；提升长文档结构解析能力。

• 媲美纯文本大模型的理解力：文本-视觉无缝融合，实现无损统一理解。

模型架构更新：

1. 交错式多维鲁棒位置嵌入（Interleaved-MRoPE）：通过鲁棒的位置编码在时间、宽度和高度维度实现全频段分配，从而增强长时视频推理能力。

2. 深度堆叠（DeepStack）：融合多层级视觉Transformer特征，捕捉细粒度细节并锐化图像-文本对齐。

3. 文本-时间戳对齐：突破T-RoPE限制，实现基于精确时间戳的事件定位，强化视频时序建模能力。

模型性能

Qwen3-VL-2B-Instruct

多模态性能

纯文本表现

Qwen3-VL-2B-Thinking

多模态性能

纯文本性能

快速入门

以下提供简单示例，展示如何使用Qwen3-VL模型配合魔搭社区和Transformers库。

Qwen3-VL的代码已集成至最新版Hugging Face transformers库，建议您通过以下命令从源码安装：

pip install git+https://github.com/huggingface/transformers
# pip install transformers==4.57.0 # currently, V4.57.0 is not released

使用 Transformers 进行聊天

以下代码片段展示了如何使用 transformers 与聊天模型交互：

Qwen3-VL-2B-Instruct

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen3-VL-2B-Instruct", dtype="auto", device_map="auto"
)
# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen3-VL-2B-Instruct",
#     dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )
processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-2B-Instruct")
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "Describe this image."},
],
}
]
# Preparation for inference
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt"
)
inputs = inputs.to(model.device)
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Qwen3-VL-2B-Thinking

from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
# default: Load the model on the available device(s)
model = Qwen3VLForConditionalGeneration.from_pretrained(
"Qwen/Qwen3-VL-2B-Thinking", dtype="auto", device_map="auto"
)
# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen3VLForConditionalGeneration.from_pretrained(
#     "Qwen/Qwen3-VL-2B-Thinking",
#     dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )
processor = AutoProcessor.from_pretrained("Qwen/Qwen3-VL-2B-Thinking")
messages = [
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
},
{"type": "text", "text": "Describe this image."},
],
}
]
# Preparation for inference
inputs = processor.apply_chat_template(
messages,
tokenize=True,
add_generation_prompt=True,
return_dict=True,
return_tensors="pt"
)
inputs = inputs.to(model.device)
# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

生成超参数

VL

export greedy='false'
export top_p=0.8
export top_k=20
export temperature=0.7
export repetition_penalty=1.0
export presence_penalty=1.5
export out_seq_length=16384

Text

export greedy='false'
export top_p=1.0
export top_k=40
export repetition_penalty=1.0
export presence_penalty=2.0
export temperature=1.0
export out_seq_length=32768