阿里开源最强视觉模型家族轻量版：仅4B/8B参数，性能逼近72B旗舰版

今天，阿里通义千问团队正式宣布开源Qwen3-VL系列的4B与8B版本，以更小的参数量实现了接近上一代72B旗舰模型的性能表现，为资源受限的开发环境提供了新的选择。

两款模型均提供Instruct和Thinking两个版本，满足不同场景下的使用需求。

在多模态性能方面，Qwen3-VL-8B Instruct在MIABench、OCRBench、SUNRGBD、ERQA、VideoMMMU、ScreenSpot等30项权威基准测评中取得SOTA成绩，超越了Gemini 2.5 Flash Lite、GPT-5 Nano以及Qwen2.5-VL-72B等顶尖模型。

Thinking版本在MathVision、MMStar、HallusionBench、MM-MT-Bench、CountBench等23项权威基准测评中取得了SOTA成绩。

破解“跷跷板”难题

长期以来，小模型面临着一个棘手的问题——增强视觉能力时往往削弱文本理解，反之亦然。这种现象被业界称为“跷跷板”问题。

阿里通过架构创新与技术优化，成功解决了这一难题。新模型实现了“视觉精准”与“文本稳健”的协同提升，在强化多模态感知与视觉理解的同时，保持了原有的文本理解能力。

这一突破使得Qwen3-VL-8B Instruct在MIABench、OCRBench、SUNRGBD、ERQA、VideoMMMU、ScreenSpot等30项权威基准测评中取得SOTA成绩。不仅在视觉理解领域表现出色，在纯文本任务上也实现了整体性能提升。

Qwen3-VL-4B特别侧重端侧应用，具备更高的性价比，适用于需要AI视觉理解能力的智能终端部署。这一特性使其在手机和机器人领域具有重大意义。

模型一经发布，便在外网引起热烈反响。有网友表示“终于，我在16GB的Mac上可以用了”。

作为阿里视觉理解领域迄今最强模型家族，上个月发布的Qwen3-VL系列在9月底的Chatbot Arena子榜单Vision Arena中位居第二，成为视觉理解领域的全球开源冠军。

同时，Qwen3-VL还斩获纯文本赛道的开源第一，成为首个揽获纯文本和视觉两大领域同时开源第一的大模型。

在全球知名的大模型API三方聚合平台OpenRouter图像处理榜单上，Qwen3-VL以48%的市场份额跃升至全球第一。

目前，两款模型已上线魔搭社区与Hugging Face平台，并提供FP8版本支持。为了帮助开发者更好地使用新模型，阿里还推出了Qwen3-VL Cookbook使用指南。该指南涵盖图像思维、计算机使用Agent、多模态编程、3D定位、空间推理、视频理解等多种多模态用例，为用户提供高效上手和深度应用的支持。

阿里通义千问大语言模型负责人林俊旸指出，小型视觉语言模型适合部署，尤其在手机和机器人领域意义重大。过去小模型与大模型性能差距大，此次发布的小模型在参数量大幅减少的情况下，仍能保持接近大模型的性能水平。

Qwen3-VL轻量版模型的开源，标志着视觉语言模型技术正朝着更高效、更普惠的方向发展。这些模型在保持高性能的同时大幅降低资源需求，为AI技术在边缘设备、移动终端等场景的落地提供了新的可能。

随着模型性能的不断提升和开源生态的完善，我们可以预见将有更多创新应用涌现，从智能家居到工业自动化，从移动应用到嵌入式设备，视觉语言模型将以更低的门槛为各行各业赋能。