【通义千问（Qwen）】视频分析与多模态模型汇总

通义千问Qwen视频分析与多模态模型汇总整理日期2026-04-21数据来源阿里 Qwen 官方博客、HuggingFace、arXiv 技术报告、DashScope 文档⚠️ 标注说明✅ 已确认 / ⚠️ 部分确认 / ❌ 不支持或未开源亲爱的朋友们创作不容易若对您有帮助的话请点赞收藏加关注哦您的关注是我持续创作的动力谢谢大家有问题请私信或联系邮箱jasonai.fngmail.com目录模型家族总览视频分析专项模型VL 系列原生一体化多模态模型Omni 系列视觉推理模型QVQ 系列全系列对比表显存与数据盘需求本地部署推荐方案生产部署配置参考一、模型家族总览Qwen 视频/多模态模型体系 │ ├── VL 系列视觉语言纯视频分析 │ ├── Qwen2-VL 2B / 7B / 72B │ ├── Qwen2.5-VL 3B / 7B / 32B / 72B │ └── Qwen3-VL 2B / 4B / 8B / 32B MoE(30B-A3B, 235B-A22B) │ ├── Omni 系列原生一体化多模态文本图像视频音频输入输出 │ ├── Qwen2.5-Omni 3B / 7B ✅ 开源 │ ├── Qwen3-Omni 30B-A3B ✅ 开源 │ ├── Qwen3-Omni-Flash 未公开规格 ❌ 仅 API │ └── Qwen3.5-Omni Plus / Flash / Light ❌ 仅 API截至 2026-04 │ └── QVQ 系列视觉推理仅图像不支持视频 ├── QVQ-72B-Preview ✅ 开源不支持视频 └── QVQ-Max ❌ 仅 API支持视频二、视频分析专项模型VL 系列2.1 Qwen2-VL项目详情发布时间2024-09模型规格2B / 7B / 72B开源协议Qwen License ✅本地部署✅ 支持Context 窗口32K可扩展至 64KYaRN最大视频帧数768 帧视频时长20 分钟以上训练精度BF16FP8 量化❌ 无官方版本有 AWQ/GPTQ 社区版时间戳定位✅ 支持动态分辨率✅ 480×480 2560×2560架构亮点M-RoPEMultimodal Rotary Position Embedding1D 编码文本、2D 编码图像、3D 编码视频动态分辨率 ViT移除绝对位置编码训练数据约1.4 万亿 tokensDashScope API 模型 IDqwen-vl-plusqwen-vl-max2.2 Qwen2.5-VL项目详情发布时间2025-01-287B/72B2025-03-2532B模型规格3B / 7B / 32B / 72B开源协议Apache 2.0 ✅本地部署✅ 支持Context 窗口32K可扩展至 64K最大视频帧数768 帧视频时长1 小时以上训练精度BF16FP8 量化✅ 7BNVIDIA 官方✅ 72BdynamicRedHatAI时间戳定位✅ 秒级精确动态 FPS✅ 训练时使用动态帧率训练数据4.1 万亿 tokens较 Qwen2-VL 提升约 3 倍架构亮点ViT 引入Window Attention效率大幅提升mRoPE 新增绝对时间编码实现秒级时序理解3B 版本性能超越上代 7B 版本基准测试Qwen2.5-VL-7B-Instruct基准Qwen2.5-VL-7BGPT-4o-miniMMMU58.660.0MathVista74.852.4ChartQA87.378.1MMBench-EN88.676.0DashScope API 模型 IDqwen2.5-vl-7b-instructqwen2.5-vl-72b-instruct2.3 Qwen3-VL ⭐ 当前最新 VL 系列项目详情发布时间2025-09-23 2025-10-21分批技术报告arXiv:2511.216312025-11-27模型规格2B / 4B / 8B / 32BDense 30B-A3B / 235B-A22BMoE版本类型Instruct Thinking全规格均有开源协议Apache 2.0 ✅本地部署✅ 支持vLLM / SGLang / HuggingFace TransformersContext 窗口原生256K可扩展至1M视频时长12 小时256K更长1M训练精度BF16FP8 量化✅ 全系列官方支持fine-grained FP8block size 128时间戳定位✅ 秒级Text-Timestamp Alignment长视频召回精度256K100%1M99.5%Needle-in-a-Haystack发布节奏日期发布内容2025-09-23Qwen3-VL-235B-A22B Instruct Thinking2025-10-04Qwen3-VL-30B-A3B Instruct Thinking2025-10-15Qwen3-VL-4B 8B Instruct Thinking2025-10-21Qwen3-VL-2B 32B Instruct Thinking架构亮点Interleaved-MRoPE升级版时空位置编码长时域视频推理能力显著提升DeepStack多层 ViT 特征融合细粒度视觉-文本对齐Text-Timestamp Alignment取代旧版 T-RoPE秒级视频事件定位Thinking 模式内置推理链适合复杂多步骤视频分析MoE 模型说明模型总参数推理激活参数显存需求30B-A3B30B3.3B~68 GB全部专家权重必须载入显存235B-A22B235B22B~520 GBBF16/ ~260 GBFP8⚠️ MoE 关键说明推理时虽只激活少量参数但所有专家权重必须全部加载进显存无法按需加载。推理计算量小但显存占用等同于总参数量。DashScope API 模型 IDqwen3-vl-2b-instructqwen3-vl-4b-instructqwen3-vl-8b-instructqwen3-vl-32b-instructqwen3-vl-30b-a3b-instructqwen3-vl-30b-a3b-thinkingqwen3-vl-235b-a22b-instructqwen3-vl-235b-a22b-thinking三、原生一体化多模态模型Omni 系列什么是原生一体化多模态传统多模态模型通常是拼接式架构视觉编码器 LLM 语音模块独立运行再拼接而 Qwen Omni 系列采用**原生一体化End-to-End Native**架构输入文本 图像 视频 音频 ↓ Thinker统一多模态理解MoE LLM ↓ Talker流式语音生成 ↓ 输出文本 实时语音流所有模态在同一模型权重内联合训练无缝融合TMRoPETime-aligned Multimodal RoPE同步对齐视频帧时间戳与音频时间戳支持实时流式输出边理解边说话可同时理解画面上发生了什么和说话人说了什么3.1 Qwen2.5-Omni项目详情发布时间2025-04模型规格3B / 7B开源协议Apache 2.0 ✅本地部署✅ 支持Context 窗口32K训练精度BF16FP8 量化❌有 AWQ INT4 版本视频输入✅音频输出✅ 实时流式语音音频编码器Whisper-large-v3 衍生16kHz128通道 Mel 频谱语音输出帧率每帧 ~40ms 音频HuggingFace 模型 IDQwen/Qwen2.5-Omni-3BQwen/Qwen2.5-Omni-7B3.2 Qwen3-Omni项目详情发布时间2025-09-22模型规格30B-A3BMoE开源协议Apache 2.0 ✅本地部署✅ 支持vLLM-Omni / SGLang / KTransformersContext 窗口256K训练精度BF16视频采样2 FPS视频输入✅音频输出✅ 实时流式语音首包延迟音频 234ms / 视频 547ms语音识别语言19 种语音合成语言10 种文本语言119 种训练数据2 万亿 tokens含 2000 万小时音频基准排名开源 SOTA 32/36 项音视频基准HuggingFace 模型 IDQwen/Qwen3-Omni-30B-A3B-InstructQwen/Qwen3-Omni-30B-A3B-Thinking3.3 Qwen3-Omni-Flash项目详情发布时间2025-12-01开源状态❌ 仅 DashScope API本地部署❌ 不支持参数规模未公开特点Qwen3-Omni 优化版提升语音理解精度和多语言一致性DashScope API 模型 IDqwen3-omni-flash-2025-12-013.4 Qwen3.5-Omni ⭐ 最新旗舰2026-03项目详情发布时间2026-03-30模型变体Plus / Flash / Light开源状态❌暂未开源截至 2026-04本地部署❌暂不支持Context 窗口256K视频支持✅ 400 秒 720p 1FPS约 1 小时音频支持✅ 10 小时以上连续音频架构Hybrid-Attention MoEThinker Talker 均为 MoE语言支持113 种74 语言 39 中文方言语音合成36 种语言基准 SOTA 数量215 项音视频基准 SOTA视频基准官方数据基准Qwen3.5-Omni-PlusGemini 3.1 ProVideoMME无字幕81.9—MLVU86.8—MVBench79.0—LVBench71.2—DailyOmni84.682.7QualcommInteractive68.566.2DashScope API 模型 IDqwen3.5-omni-plusqwen3.5-omni-flashqwen3.5-omni-light⚠️ Qwen3.5-Omni 是目前视频音频联合分析能力最强的 Qwen 模型但截至 2026-04 尚未开源无法本地部署仅可通过 DashScope API 调用。四、视觉推理模型QVQ 系列⚠️ 重要说明QVQ 系列不是视频分析模型模型视频支持说明QVQ-72B-Preview❌不支持视频仅图像推理单轮对话2024-12 发布QVQ-Max✅ 支持升级版支持视频但仅 API未开源QVQ 系列定位为视觉推理数学、几何、图表、逻辑推导而非通用视频内容分析。如需本地视频分析请选择 VL 系列。五、全系列对比表模型发布时间本地部署视频支持音频输出Context训练精度FP8开源Qwen2-VL-2B/7B/72B2024-09✅✅ 20min❌32KBF16❌✅Qwen2.5-VL-3B/7B2025-01✅✅ 1h❌32KBF16✅(7B)✅Qwen2.5-VL-32B2025-03✅✅ 1h❌32KBF16⚠️社区✅Qwen2.5-VL-72B2025-01✅✅ 1h❌32KBF16✅✅Qwen3-VL-2B/4B/8B2025-10✅✅ 2h❌256KBF16✅✅Qwen3-VL-32B2025-10✅✅ 2h❌256KBF16✅✅Qwen3-VL-30B-A3B2025-10✅✅ 2h❌256KBF16✅✅Qwen3-VL-235B-A22B2025-09✅✅ 2h❌256K→1MBF16✅✅Qwen2.5-Omni-3B/7B2025-04✅✅✅ 实时32KBF16❌✅Qwen3-Omni-30B-A3B2025-09✅✅ 2FPS✅ 实时256KBF16⚠️✅Qwen3-Omni-Flash2025-12❌✅✅———❌Qwen3.5-Omni-Plus/Flash/Light2026-03❌✅ 1h✅ 实时256K——❌QVQ-72B-Preview2024-12✅❌❌128KBF16❌✅QVQ-Max2025❌✅❌———❌六、显存与数据盘需求说明BF16 显存 参数量 × 2 字节 × 1.2激活开销FP8 显存 参数量 × 1 字节 × 1.2数据盘 模型权重文件大小建议预留 2× 空间用于缓存视频 KV Cache会额外占用显存长视频需预留 15% 余量VL 系列模型BF16 显存FP8 显存FP8 官方数据盘推荐 GPUQwen2-VL-2B~6 GB~3 GB❌~5 GBRTX 5090 × 1Qwen2-VL-7B~17 GB~9 GB❌~14 GBRTX 5090 × 1Qwen2-VL-72B~160 GB~82 GB❌~145 GBA800 × 2 / H20 × 2Qwen2.5-VL-3B~8 GB~4 GB❌~7 GBRTX 5090 × 1Qwen2.5-VL-7B~18 GB~9 GB✅~16 GBRTX 5090 × 1Qwen2.5-VL-32B~70 GB~36 GB⚠️社区~64 GBA800 × 1 / H20 × 1Qwen2.5-VL-72B~160 GB~82 GB✅~145 GBA800 × 2 / H20 × 2Qwen3-VL-2B~6 GB~3 GB✅~5 GBRTX 5090 × 1Qwen3-VL-4B~10 GB~5 GB✅~9 GBRTX 5090 × 1Qwen3-VL-8B~20 GB~10 GB✅~17 GBRTX 5090 × 1Qwen3-VL-32B~70 GB~36 GB✅~64 GBA800 × 1 / H20 × 1Qwen3-VL-30B-A3B ⚡~68 GB~34 GB✅~62 GBA800 × 1 / H20 × 1Qwen3-VL-235B-A22B ⚡~520 GB~260 GB✅~471 GBH20 × 3FP8Omni 系列本地可部署模型BF16 显存数据盘推荐 GPU备注Qwen2.5-Omni-3B~14 GB~12 GBRTX 5090 × 1含音频编码器Qwen2.5-Omni-7B~26 GB~22 GBRTX 5090 × 1 / A800 × 1含音频编码器Qwen3-Omni-30B-A3B~68 GB~62 GBA800 × 1 / H20 × 1MoE 全专家入显存七、本地部署推荐方案按 GPU 配置推荐H2096 GB HBM3原生 FP8推理专用旗舰GPU 配置推荐模型精度适用场景H20 × 1Qwen3-VL-32BBF16单卡最优稳定性强H20 × 1Qwen3-VL-30B-A3BBF16性价比高推理计算量小H20 × 1Qwen2.5-VL-72BFP8旗舰精度单卡勉强可跑H20 × 2Qwen2.5-VL-72BBF16生产首选最成熟稳定H20 × 2Qwen3-VL-32B × 2副本BF16双副本高吞吐H20 × 3Qwen3-VL-235B-A22BFP8终极视频分析能力H20 × 1Qwen3-Omni-30B-A3BBF16视频 实时语音场景A80080 GB HBM2e无原生 FP8GPU 配置推荐模型精度适用场景A800 × 1Qwen3-VL-32BBF16单卡最优A800 × 1Qwen3-VL-30B-A3BBF16性价比高A800 × 1Qwen2.5-VL-32BBF16稳定备选A800 × 2Qwen2.5-VL-72BBF16双卡旗舰生产推荐A800 × 2Qwen3-VL-32B × 2副本BF16高吞吐部署A800 × 1Qwen3-Omni-30B-A3BBF16视频 音频联合分析⚠️ A800 无原生 FP8 Tensor Core不推荐使用 FP8BF16 更稳定RTX 509032 GB GDDR7Blackwell 原生 FP8GPU 配置推荐模型精度适用场景5090 × 1Qwen3-VL-8BBF16单卡主力余量充足5090 × 1Qwen2.5-VL-7BBF16稳定备选5090 × 1Qwen2.5-Omni-7BBF16视频 音频场景5090 × 2Qwen3-VL-32BFP8双卡跑 32B FP8综合推荐速查生产旗舰最稳定 H20 × 2 → Qwen2.5-VL-72B BF16 单卡最优 H20 × 1 → Qwen3-VL-32B BF16 性价比最优 H20 × 1 → Qwen3-VL-30B-A3B BF16 终极能力 H20 × 3 → Qwen3-VL-235B-A22B FP8 视频音频 H20 × 1 → Qwen3-Omni-30B-A3B BF16 轻量高并发 5090 × 1 → Qwen3-VL-8B BF16精度选择原则GPU推荐精度原因H20BF16显存不足时用FP8Hopper 架构原生支持 FP8 Tensor CoreA800BF16无原生 FP8软件模拟提速有限稳定性更重要RTX 5090BF16需跑更大模型时用FP8Blackwell 原生 FP8精度损失可接受八、生产部署配置参考vLLM 部署推荐生产框架H20 × 2Qwen2.5-VL-72BBF16生产首选vllm serve Qwen/Qwen2.5-VL-72B-Instruct\--tensor-parallel-size2\--dtypebfloat16\--max-model-len32768\--gpu-memory-utilization0.90\--max-num-seqs32\--enable-prefix-caching\--media-io-kwargs{video: {num_frames: -1, fps: 1.0}}\--served-model-name qwen-video\--port8000H20 × 1Qwen3-VL-32BBF16vllm serve Qwen/Qwen3-VL-32B-Instruct\--dtypebfloat16\--max-model-len65536\--gpu-memory-utilization0.90\--enable-prefix-caching\--media-io-kwargs{video: {num_frames: -1, fps: 1.0}}\--port8000H20 × 3Qwen3-VL-235B-A22BFP8vllm serve Qwen/Qwen3-VL-235B-A22B-Instruct-FP8\--tensor-parallel-size3\--dtypefloat8\--max-model-len65536\--gpu-memory-utilization0.88\--media-io-kwargs{video: {num_frames: -1, fps: 1.0}}\--port8000RTX 5090 × 1Qwen3-VL-8BBF16vllm serve Qwen/Qwen3-VL-8B-Instruct\--dtypebfloat16\--max-model-len32768\--gpu-memory-utilization0.85\--media-io-kwargs{video: {num_frames: -1, fps: 1.0}}\--port8000Python 调用示例fromopenaiimportOpenAI clientOpenAI(base_urlhttp://localhost:8000/v1,api_keytoken)responseclient.chat.completions.create(modelqwen-video,messages[{role:user,content:[{type:video_url,video_url:{url:file:///path/to/video.mp4},},{type:text,text:请详细描述视频中发生的事件并给出关键时间节点}]}],max_tokens2048)print(response.choices[0].message.content)生产注意事项项目建议视频 FPS内容理解建议 1fps动作/细节分析建议 24fps最大帧数VL 系列限制 768 帧Qwen3-VL 依 Context 动态决定KV Cache开启--enable-prefix-caching提升重复帧命中率显存余量生产环境保留 ≥ 15% 显存缓冲防止长视频 OOM多实例RTX 5090 建议每卡独立进程而非单实例张量并行框架版本vLLM ≥ 0.6.xQwen2.5-VLvLLM ≥ 0.8.xQwen3-VL稳定性Qwen2.5-VL-72B 生产验证最充分Qwen3-VL 建议先测试环境验证附模型选型决策树需要视频 实时语音 ├─ 是 → 本地部署 → Qwen3-Omni-30B-A3BH20/A800 × 1 └─ 否 → 纯视频分析 ↓ Context 需要超过 32K长视频 ├─ 是 → Qwen3-VL 系列256K 原生↓ └─ 否 → Qwen2.5-VL 系列稳定成熟↓ 单卡还是多卡 ├─ 单卡 H20/A80080-96G→ Qwen3-VL-32B BF16首选 │ → Qwen3-VL-30B-A3B BF16性价比 ├─ 双卡 H20/A800 → Qwen2.5-VL-72B BF16最稳定 ├─ 3卡 H20 → Qwen3-VL-235B-A22B FP8终极 └─ 单卡 509032G → Qwen3-VL-8B BF16轻量文档基于公开资料整理模型能力及资源需求以官方最新发布为准。参考来源qwenlm.github.io / huggingface.co/Qwen / arXiv:2511.21631 / arXiv:2502.13923 / arXiv:2409.12191