Qwen3-VL: ComfyUI向けビジョン言語テキストエンコーダー
Qwen3-VLは、Alibabaの最新ビジョン言語モデルで、ComfyUIのテキストエンコーダーとして使用できます。4Bおよび8Bのバリアントがあり、bf16、fp8、nvfp4量子化に対応しています。
Q
Qwen3-VL
Vision-LanguageText EncoderOCRAgentOpen SourceQwenシリーズ（Alibaba Cloud）の最新ビジョン言語モデル。テキスト理解、視覚認識、拡張コンテキスト（ネイティブ256K、最大1Mまで拡張可能）、エージェントインタラクションにわたる包括的なアップグレードを提供します。bf16、fp8 scaled、nvfp4量子化オプションを備えた4Bおよび8BサイズのComfyUIテキストエンコーダーチェックポイントとしてパッケージ化されています。
| 開発者 | Alibaba Cloud（Qwenチーム） |
| リリース日 | 2025-07 |
| アーキテクチャ | Dense & MoE ビジョン言語トランスフォーマー |
| ライセンス | Apache 2.0 |
| バリアント | 4B (Dense), 8B (Dense) |
| コンテキストウィンドウ | 256Kネイティブ（最大1Mまで拡張可能） |
| 量子化 | BF16, FP8 scaled, NVFP4 (8B only) |
| 機能 | ビジュアルエージェント、OCR（32言語）、ビジュアルコーディング、空間認識、長尺ビデオ理解 |
Guides and workflows related to this model series.
No articles found.