Qwen3-VL – 阿里通义推出的最强视觉语言模型

Qwen3-VL是什么

Qwen3-VL 是阿里通义推出的 Qwen 系列中最强大的视觉语言模型，具备卓越的多模态能力。模型能理解纯文本、图像和视频，支持长上下文、空间感知、代码生成等功能。Qwen3-VL-235B-A22B是该系列的旗舰模型，包含 Instruct 与 Thinking 两个版本， Instruct 版本在视觉感知任务中表现优异， Thinking 版本在多模态推理中达到领先水平。Qwen3-VL 能像人类一样操作界面、进行复杂推理、生成创意文案，将设计图转化为代码。模型支持多语言 OCR 和长视频理解，广泛应用在教育、开发、自动化等领域，是当前多模态模型中的佼佼者。

Qwen3-VL-30B-A3B 是最新开源的多模态 AI 模型，仅需 30 亿激活参数，能在 STEM、视觉问答、OCR、视频理解、智能体任务等多领域媲美甚至超越 GPT-5-Mini 和 Claude4-Sonnet。模型推出了 FP8 版本，且同步上线 Qwen Chat，支持免费体验。

• Qwen3-VL-8B Instruct：在MIABench、OCRBench、SUNRGBD、ERQA、VideoMMMU、ScreenSpot等30项权威基准测试中取得了SOTA（行业最佳）成绩，超越了Gemini 2.5 Flash Lite、GPT-5 Nano以及Qwen2.5-VL-72B等顶尖模型。
• Qwen3-VL-4B Instruct：以更少的参数量，在STEM、VQA、OCR、视频理解及Agent任务等测试中，能与Gemini 2.5 Flash Lite、GPT-5 Nano对打，展现出优秀的多模态性能。
• Qwen3-VL-8B Thinking：在MathVision、MMStar、HallusionBench、MM-MT-Bench、CountBench等23项权威基准测试中取得了SOTA成绩，超越了Gemini 2.5 Flash Lite、GPT-5 Nano高版本以及其他同等级顶尖开源模型。
• Qwen3-VL-4B Thinking：同样表现出“以小敌大”的成绩，在多模态性能方面表现优异。

二、相关安装

插件安装：

https://github.com/IuvenisSapiens/ComfyUI_Qwen3-VL-Instruct

将此仓库下载或 git 克隆到 ComfyUI\custom_nodes\ 目录，然后找到自己整合包python目录（一般路径D:\ComfyuiV2.7\python）

python -m pip install -r requirement.txt

python的transformers>=4.57.1，一般的插件有冲突，可修改成transformers>=4.53.0

下载模型

如果ComfyUI\models\prompt_generator\目录中找不到这些模型，运行工作流时会自动下载所有模型。文末有具体的模型，直接下载即可。

• Qwen3-VL-4B-Instruct
• Qwen3-VL-4B-Instruct-FP8
• Qwen3-VL-8B-Instruct

三、工作流体验

视觉模型最好的检验就是反推，官方示例如下：

单图查询：此工作流程支持为单张图片生成描述。用户可以上传一张照片并询问“这张图片展示了什么？”，从而得到类似“一头雄伟的狮子群在草原上放松”的描述。”

多图像查询：对于多张图像，系统可以提供整体描述或串联起图像的叙事。例如，“根据以下一系列图像创作一个故事：一张是情侣在海滩上的照片，另一张是婚礼仪式上的照片，最后一张是婴儿洗礼仪式上的照片。”

视频查询：当用户上传视频时，系统可以分析内容并为每一帧生成详细说明，或对整个视频进行总结。例如，“为给定视频生成说明。”

总结：

qwen3-vl模型成功实现了「视觉精准」与「文本稳健」的协同突破。针对小模型常见的「跷跷板」问题（即提升视觉能力往往牺牲文本性能，反之亦然），阿里团队通过架构创新与技术优化，在保持强大文本理解能力的同时，显著增强了多模态感知与视觉理解能力——真正做到了在「小身板」里塞进更强的视觉与文本双引擎。