Qwen-VL

Qwen-VL 是阿里云的大型视觉语言模型。据其 Hugging Face 模型卡，它接受图像、文本和边界框作为输入，输出文本和边界框。该页面涵盖预训练的 Qwen-VL 和对话微调的 Qwen-VL-Chat（含 Int4 版本）。语言骨干为 Qwen-7B，相关论文为 arXiv 2308.12966，发表于 2023 年 8 月 24 日。

核心功能

• 定位（Grounding）：指代表达理解；模型卡称其无需中文定位训练数据即可零样本泛化到中文定位。
• 文字识别：覆盖 TextVQA、DocVQA、ChartQA、AI2D、OCR-VQA 等面向文字的问答，受益于 448 的输入分辨率。
• 对话：Qwen-VL-Chat 支持多语言对话和多图交错对话。
• 厂商声明：据模型卡，在 Flickr30K 上取得零样本图像描述的 SOTA，在同等规模通用模型中 RefCOCO 表现领先；Qwen-VL-Chat 的 TouchStone 得分为 645.2（英文）和 401.2（中文）。
• 许可证：研究和开发免费，同时允许商用；模型卡提供了许可证文件和商用申请表链接。

适用场景

• 图像描述和视觉问答。
• 根据文字描述用边界框定位物体。
• 读取文档、图表和截图中的文字。

价格与可用性

权重可在 Hugging Face 免费下载。模型卡称研究和开发使用免费，允许商用，并提供许可证文件和商用申请表；部署前请阅读。模型卡未列出托管价格，核对日期为 2026-10-29。模型卡没有直接给出参数量，其基准表将模型标为 Qwen-VL-7B，与 Qwen-7B 骨干一致。

快速开始

1. 打开模型卡并安装其列出的依赖。
2. 预训练用途加载 Qwen-VL，对话用途加载 Qwen-VL-Chat；内存较小时可用 Int4 对话版本。
3. 输入图像加文本提示，需要定位时请求边界框。
4. 采用前，用自己的图像与更新的 Qwen 视觉模型对比。

常见问题

Qwen-VL 支持哪些输入？

图像、文本和边界框，输出文本和边界框。

语言骨干是什么？

据模型卡为 Qwen-7B。

可以商用吗？

模型卡称研究和开发免费、允许商用，并提供许可证文件和商用申请表。

什么替代了 Qwen-VL？

模型卡没有指明继任者。本站收录的较新 Qwen 视觉模型见 Qwen2-VL 72B Instruct。

替代方案

• Qwen2-VL 72B Instruct：本站收录的较新 Qwen 视觉语言模型。
• LLaVA 1.6：开放的视觉语言模型。
• CogVLM Base 490 HF：另一款开放视觉语言模型。

总结

Qwen-VL 是较早期、资料完善的开放视觉语言模型，具备定位和文字识别能力。请阅读模型卡，与更新的 Qwen 视觉模型对比，并在模型分类中浏览更多。