Qwen3-VL: визуально-языковой текстовый энкодер для ComfyUI

Qwen3-VL — новейшая визуально-языковая модель от Alibaba, предназначенная для использования в качестве текстового энкодера ComfyUI. Доступна в вариантах 4B и 8B с квантизациями bf16, fp8 и nvfp4.

Q

Qwen3-VL

Vision-LanguageText EncoderOCRAgentOpen Source

Новейшая визуально-языковая модель из серии Qwen (Alibaba Cloud). Обеспечивает комплексные улучшения в понимании текста, визуальном восприятии, расширенном контексте (256K нативно, расширяемо до 1M) и взаимодействии с агентами. Упакована как чекпойнты текстового энкодера ComfyUI в размерах 4B и 8B с опциями квантизации bf16, fp8 scaled и nvfp4.

Hugging FaceGitHubБлогЧат
РазработчикAlibaba Cloud (команда Qwen)
Дата релиза2025-07
АрхитектураDense & MoE Vision-Language Transformer
ЛицензияApache 2.0
Варианты4B (Dense), 8B (Dense)
Контекстное окно256K нативно (расширяемо до 1M)
КвантизацииBF16, FP8 scaled, NVFP4 (только 8B)
ВозможностиВизуальный агент, OCR (32 языка), визуальное кодирование, пространственное восприятие, понимание длинных видео

Guides and workflows related to this model series.

No articles found.