Qwen3-VL-2B-Instruct

Qwen3-VL-2B-Instruct, opublikowany 19 października 2025 roku, to dolny koniec linii modeli widzenia Alibaby i wersja, która najczęściej trafia na urządzenie, a nie do serwerowni. Ma 2,13 miliarda parametrów w 28 warstwach o wymiarze ukrytym 2048 — po kwantyzacji mieści się w kilku gigabajtach, dlatego producent wydaje dla niej także wersję GGUF pod programy uruchamiane na laptopie i telefonie. Okno kontekstu jest to samo co u znacznie większego rodzeństwa: 262 144 tokeny. Jedna różnica wobec reszty rodziny widoczna jest wyłącznie w plikach konfiguracyjnych i trzeba ją powiedzieć wprost, bo karta katalogowa takie rzeczy przemilcza. W wersjach ośmio- i 235-miliardowej moduł wizyjny ma 27 bloków i wpina cechy do modelu językowego z warstw 8, 16 i 24. Tutaj moduł ma 24 bloki i wpina z warstw 5, 11 i 17. Mały model nie tylko myśli mniejszą liczbą parametrów — on także patrzy mniejszym okiem. Alibaba nie podaje, ile to kosztuje, a my nie zgadujemy; czytelnik porównujący warianty powinien jednak wiedzieć, że zmniejszenie dotyczy obu stron, nie tylko językowej. Poza tym wyposażenie jest takie jak w całym pokoleniu: rozpoznawanie tekstu na obrazie w 32 językach, obsługa interfejsów komputera i telefonu w roli agenta wizualnego, generowanie diagramów Draw.io i kodu strony ze zrzutu ekranu, wskazywanie obiektów w dwóch i trzech wymiarach oraz odnajdywanie zdarzeń w długim nagraniu z dokładnością do sekundy dzięki wiązaniu opisu ze znacznikiem czasu. Jak na model tej wielkości popularność jest znaczna: 2,93 miliona pobrań z Hugging Face w trzydziestu dniach do 2 września 2026 roku, mniej więcej jedna trzecia ruchu wersji ośmiomiliardowej i ponad trzy razy więcej niż flagowiec tej samej linii. Wagi na licencji Apache 2.0, bez wyłączenia dla Europy. Wyniki testów producent publikuje tylko jako obrazki wykresów, więc profil ich nie cytuje.

▸Wideo

Brak materiałów wideo.

▸Recenzje