阿里通義全新Qwen3-VL模型開源，超越GPT-5 Nano視覺文本雙突破

VR三千世界 · 發(fā)表于 2025-10-15 19:35

本帖最后由八云紅于 2025-10-15 20:59 編輯

人工智能領(lǐng)域的開源社區(qū)再次迎來重磅消息。正當(dāng)行業(yè)目光聚焦于巨型模型的迭代時，阿里通義在高效能多模態(tài)領(lǐng)域持續(xù)發(fā)力。今日，阿里通義正式宣布，旗下的多模態(tài)視覺理解模型系列Qwen3-VL再添兩位新成員——Qwen3-VL-4B與Qwen3-VL-8B模型，并已全面開源上線，為開發(fā)者和研究者提供了新的強(qiáng)大工具。

性能越級：小模型媲美大尺寸

此次開源的Qwen3-VL-4B和Qwen3-VL-8B是基于密集（Dense）架構(gòu)的視覺理解模型，其顯著特點是顯存占用更低，同時完整繼承了Qwen3-VL系列的全部能力。每個尺寸都提供了Instruct（指令微調(diào)）和Thinking（思維鏈）兩大版本，以適應(yīng)不同應(yīng)用場景的需求。

性能方面，Qwen3-VL-8B的表現(xiàn)尤為亮眼。根據(jù)官方公布的評測數(shù)據(jù)，該模型在STEM（科學(xué)、技術(shù)、工程和數(shù)學(xué)）、VQA（視覺問答）、OCR（光學(xué)字符識別）、視頻理解以及Agent任務(wù)等多個公開基準(zhǔn)測試中表現(xiàn)優(yōu)異。其性能不僅超越了Gemini 2.5 Flash Lite和GPT-5 Nano等同量級的前沿模型，甚至可以媲美阿里上一代的超大尺寸模型Qwen2.5-VL-72B，實現(xiàn)了驚人的性能越級。

而Qwen3-VL-4B版本則主打端側(cè)性價比，更適合在需要AI視覺理解能力的智能終端上進(jìn)行部署，為移動設(shè)備和邊緣計算場景帶來了新的可能性。

技術(shù)突破：解決“蹺蹺板”難題

更值得關(guān)注的是，這兩款全新的Qwen3-VL模型實現(xiàn)了“視覺精準(zhǔn)”與“文本穩(wěn)健”的協(xié)同突破。在小模型開發(fā)中，普遍存在一個“蹺蹺板”問題：即提升模型的視覺能力往往會以犧牲文本性能為代價，反之亦然。

阿里通義團(tuán)隊通過架構(gòu)創(chuàng)新和技術(shù)優(yōu)化，成功解決了這一難題。使得新模型能夠在保持強(qiáng)大文本理解能力的基礎(chǔ)上，顯著增強(qiáng)多模態(tài)感知與視覺理解能力，真正做到了在“小身板”里塞進(jìn)了更強(qiáng)的綜合實力。

目前，全新的Qwen3-VL-4B和Qwen3-VL-8B模型及其FP8量化版本，均已上線魔搭社區(qū)（ModelScope）和Hugging Face，面向全球開發(fā)者開放。

› 綜合交流 / 資源分享區(qū) › AI技術(shù)討論