基于 Qwen3-VL-4B-Instruct 的多模态智能交互平台
📌 简介
本应用是一个基于 通义千问 Qwen3-VL-4B-Instruct 大模型的多模态推理系统，支持对 图像、视频、PDF 文档、GIF 动图 等多种媒体内容进行智能理解与分析，并能自动生成精准描述、解答问题或提取关键信息。
借助 Gradio 构建的直观 Web 界面，用户无需编程即可上传文件、输入指令，实时获得模型的流式响应，适用于教育、办公、内容审核、视觉辅助等多种场景。
🚀 核心功能
⚙️ 技术亮点
模型：采用 Qwen/Qwen3-VL-4B-Instruct—— 阿里通义千问最新多模态大模型，40 亿参数，高效且强大。
架构兼容：使用
AutoModelForCausalLM自动适配模型结构，确保与 dense 版本完全兼容，避免 MoE 架构误用问题。流式输出：支持 token-by-token 实时生成，提升交互体验。
响应式 UI：定制 OrangeRed 主题，适配桌面与移动端，操作流畅美观。
高级参数控制：可调节
temperature、top-p、max tokens等生成参数，满足不同精度与创意需求。
📎 示例用法
图像 OCR：上传截图 → 输入“请识别图中所有文字” → 获取文本结果
安全检查：上传工地照片 → 输入“指出图中不安全的行为” → 获得风险分析
PDF 报告总结：上传年报 PDF → 输入“用三句话总结核心业绩” → 快速获取摘要
📢 注意事项
视频/GIF 处理会自动采样最多 10 帧以平衡性能与精度。
PDF 渲染依赖
fitz（PyMuPDF），确保已正确安装。首次运行将自动下载模型（约 8–10 GB），请保持网络畅通。
本应用仅用于技术演示与研究，请勿用于敏感或生产环境。
💡 提示：点击各功能区的“示例”按钮，可快速体验预设任务！
Powered by Qwen & Gradio
让多模态 AI 触手可及 🌈
整合包说明
1 基于https://huggingface.co/spaces/prithivMLmods/Qwen3-VL-HF-Demo 这个项目修改。修改了加载模型为Qwen/Qwen3-VL-4B-Instruct，原加载模型要求显存太高了。
2 最低要求12G 英伟达显卡，支持50系显卡，如果要推理视频的话 需要32G内存，如果不推理视频，16G即可
3 视后续人气是否继续开发
20251024 更新记录
1 修改加载模型为Qwen3-VL-2B-Instruct，显存占用降低到最低英伟达6G 即可使用
