Qwen3-VL-4B-Instruct
支持文本、图像与视频输入的 4B 级视觉语言模型，侧重界面操作、空间感知与文档识别。
最后核实：
https://huggingface.co/Qwen/Qwen3-VL-4B-Instruct特点与限制
主要特点
- 原生256K上下文，可用YaRN扩展至1M
- OCR支持32种语言，官方称改善低光、模糊与倾斜场景
- 支持从图像或视频生成Draw.io、HTML、CSS与JS代码
- 官方给出Instruct与Thinking两套推荐生成参数
使用边界
- 4B是官方语言骨干档位，不能直接视为整个多模态系统的全部参数。
- 官方性能表以图片形式发布；本轮尚未逐项转录并复核其中的分数与测试条件，因此暂未录入。
- 模型卡发布时要求从Transformers源码安装；当前官方Qwen3-VL仓库已提供Transformers 4.57.0及以上版本路线。
- 扩展上下文需要运行时支持与额外配置；本站未验证图像、视频与OCR的实际效果。
模型信息
- 家族与版本
- Qwen / 3-VL
- 输入与输出
- 文本、图像、视频 → 文本
- 公开参数规模
- 4B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 官方型号档位为4B语言骨干；HF权重元数据safetensors张量参数和为4,437,815,808（约4.44B），包含视觉编码器等组件，官方未按整模单列参数总量。此处保留官方型号档位，不把张量和当作官方参数口径。 参数来源
- 原生上下文
- 262,144 tokens
- 扩展上下文
- 1,000,000 tokens；YaRN；官方说明Interleaved-MRoPE的位置编号增长比常规RoPE慢，扩展到1M上下文时建议factor取2或3而非4，并需要运行时支持。
- 语言声明
- 多语言（官方说明OCR支持32种语言，未列全部语种）；语言支持不代表对应语言的评测水平。
- 权重许可
- Apache-2.0
- 代码许可
- 未核实
- 训练资料
- 官方提供模型卡与系列仓库说明，介绍架构改动与能力方向；未公开完整训练数据清单。
能力依据
模型变体：指令版；家族与版本：Qwen / 3-VL
文本生成
暂无可靠公开成绩
查看评估与来源收起补充信息
文本生成
暂无可靠公开成绩
本轮未找到许可明确、评测协议公开且可确认评测者独立的Qwen3-VL-4B-Instruct文本成绩。官方纯文本性能表以图片形式发布，本轮尚未逐项转录并复核分数与测试条件，因此暂未录入。
- 官方明确该型号与8B同批发布，并提供Instruct版本的推荐生成参数。
- 官方说明该系列在文本理解上与同规模纯文本模型对齐。
- 官方纯文本性能表为图片；本轮尚未逐项转录并复核数值、评测条件与模型revision，因此暂未录入成绩。
- 官方提示部分基准使用内部构建数据集，复现资产当时尚未发布。
- 未找到许可明确且确认为独立方的同型号文本评测。
- 本站未运行该模型验证中文写作或长文本表现。
暂无该用途的公开评测成绩；不能从其他用途或缺失值推断能力。
代码
暂无可靠公开成绩
查看评估与来源收起补充信息
代码
暂无可靠公开成绩
本轮未找到许可明确、评测协议公开且可确认评测者独立的Qwen3-VL-4B-Instruct代码成绩。官方强调从图像或视频生成前端代码，但未给出可核对的代码基准数值表。
- 官方将视觉代码生成列为该代重点能力，说明可用于Draw.io、HTML、CSS与JS生成。
- 视觉代码生成没有公开的标准化基准，官方也未在模型卡给出对应分数。
- 通用代码能力不能由同系列其他规模型号的成绩推断。
- 未找到许可明确且确认为独立方的同型号代码评测。
- 本站未用真实仓库或界面截图验证生成代码的正确性。
暂无该用途的公开评测成绩；不能从其他用途或缺失值推断能力。
视觉理解
暂无可靠公开成绩
查看评估与来源收起补充信息
视觉理解
暂无可靠公开成绩
本轮未找到许可明确、评测协议公开且可确认评测者独立的Qwen3-VL-4B-Instruct视觉成绩。官方视觉性能表以图片形式发布，本轮尚未逐项转录并复核分数与测试条件，因此暂未录入。
- 官方说明OCR语言数由上一代扩展到32种，并改善低光、模糊、倾斜与长文档结构解析。
- 官方给出空间感知、2D/3D定位与界面操作等能力方向，并列出Instruct版本的推荐参数。
- 官方视觉性能表为图片；本轮尚未逐项转录并复核数值、评测框架版本与模型revision，因此暂未录入成绩。
- 官方评测设置说明使用vLLM与VLMEvalKit、lmms-eval，并提到部分提示词经过修改、部分基准为内部构建，条件未完全公开。
- OCR语言数属于功能说明，不是准确率证据。
- 本站未使用本地图片或文档验证识别与定位效果。
暂无该用途的公开评测成绩；不能从其他用途或缺失值推断能力。
运行条件与获取
Transformers
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；内存、显存和速度取决于运行时、精度、图像分辨率、视频帧数与硬件，不将参数量或文件大小换算为资源保证。
内存：未核实；显存：未核实。
依赖：transformers>=4.57.0、torch、torchvision、pillow。
STEP 01 按官方示例准备环境
按Qwen3-VL当前官方Quickstart安装Transformers稳定版；运行时及模型版本需匹配。本站未执行该命令。
python -m pip install "transformers>=4.57.0"STEP 02 加载指定模型
按官方模型卡示例用Qwen3VLForConditionalGeneration与AutoProcessor加载此模型并处理图像、视频与文本输入；官方建议多图与视频场景启用flash_attention_2。本站未下载权重或执行模型。