[控场AI]
模型Qwen3 VL / Qwen3视觉语言模型

Qwen3-VL

阿里巴巴通义千问系列的视觉语言多模态大模型，采用视觉编码器（Vision Encoder）+ 大语言模型的架构，支持图片、视频等多模态输入，已开源

时间轴 (近 90 天)

9月12日

MiniMax H3的权重总计67GB，包括34GB的DiT主干、27GB的Qwen3-VL编码器加上VAE

待验证50%
9月12日

Qwen3-VL 是通义千问团队推出的多模态大模型

待验证50%
9月12日

Qwen3-VL 属于典型的分离式视觉大模型，以语言大模型为底座，前端接入 Vision Encoder

待验证50%
9月11日

对视觉大模型做下游任务微调时，可选择只微调后端LLM、只微调前端Encoder、两部分都训练，或指定训练特定层和模块

待验证50%
8月5日

Qwen-VL系列模型采用了动态分辨率输入机制，能够处理不同尺寸的图像而无需强制缩放

待验证50%

全部知识事实 (5)

待验证

MiniMax H3的权重总计67GB，包括34GB的DiT主干、27GB的Qwen3-VL编码器加上VAE

50%待验证

Qwen3-VL 是通义千问团队推出的多模态大模型

50%待验证

Qwen3-VL 属于典型的分离式视觉大模型，以语言大模型为底座，前端接入 Vision Encoder

50%待验证

对视觉大模型做下游任务微调时，可选择只微调后端LLM、只微调前端Encoder、两部分都训练，或指定训练特定层和模块

50%待验证

Qwen-VL系列模型采用了动态分辨率输入机制，能够处理不同尺寸的图像而无需强制缩放

50%

来源文章

Qwen3-VL多模态微调实战：架构原理到训练全流程9月12日Qwen3-VL部署与微调实战：从架构原理到LoRA训练全流程9月11日