کوئن ۳ وی‌ال (آفلاین)
Qwen3-VL (offline)مدل بینایی متن‌باز علی‌بابا در اندازه‌های 2B تا 235B که عکس، اسکن و نمودار را می‌فهمد و متن فارسی را از تصویر می‌خواند؛ از لپتاپ تا سرور، با مجوز Apache 2.0.
اجرا روی سیستم خودتان
این مدل را یک بار دانلود می‌کنید و بعد بدون اینترنت روی لپتاپ، کامپیوتر یا سرور خودتان اجرایش می‌کنید.
- بعد از نصب، بدون اینترنت
- وزن‌های باز
- Apache-2.0 — استفادهٔ تجاری آزاد
- فارسی: خوب
- برنامهٔ گرافیکی
- خط فرمان
- API
فقط دانلود اول اینترنت می‌خواهد؛ بعد از آن عکسها روی همان دستگاه پردازش میشوند.
استفادهٔ تجاری، تغییر و بازتوزیع آزاد است؛ فقط متن مجوز و اعلان‌ها را همراه نسخه‌ای که پخش می‌کنید نگه دارید.
نسخه‌ها و سخت‌افزار لازم
- 2B۲Bطول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۱٫۹ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۳ گیگ یا رم ۵ گیگ
ollama run qwen3-vl:2bبرای لپتاپ ضعیف و کارهای ساده؛ دقتش از نسخه‌های بزرگ کمتر است. حداقل حافظه برآوردی است.
- 4B۴Bطول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۳٫۳ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۴ گیگ یا رم ۶ گیگ
ollama run qwen3-vl:4bبرای لپتاپ ۸ گیگابایتی. حداقل حافظه برآوردی است.
- 8B۸Bطول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۶٫۱ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۸ گیگ یا رم ۱۰ گیگ
ollama run qwen3-vl:8bنسخهٔ پیشفرض Ollama؛ برای بیشتر لپ‌تاپ‌ها و کامپیوترهای ۱۶ گیگابایتی. حداقل حافظه برآوردی است.
- 30B-A3B۳۰B (فعال ۳B)طول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۲۰ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۲۴ گیگ یا رم ۲۶ گیگ
ollama run qwen3-vl:30bMoE با ۳ میلیارد پارامتر فعال؛ سریعتر از 32B. برای کارت ۲۴ گیگابایتی یا مک ۳۲ گیگابایتی. حداقل حافظه برآوردی است.
- 32B۳۲Bطول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۲۱ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۲۶ گیگ یا رم ۲۸ گیگ
ollama run qwen3-vl:32bقوی‌ترین نسخهٔ متراکم برای کامپیوتر شخصی؛ کارت ۳۲ گیگابایتی یا مک ۳۲ گیگابایتی به بالا. حداقل حافظه برآوردی است.
- 235B-A22B۲۳۵B (فعال ۲۲B)طول متن ۲۵۶ هزار توکن
- حجم دانلود:
- ۱۴۳ گیگ
- حافظهٔ لازم:
- کارت گرافیک ۱۷۲ گیگ یا رم ۱۷۴ گیگ
ollama run qwen3-vl:235bپرچم‌دار خانواده و فقط برای سرور؛ دستور رسمی vLLM نسخهٔ FP8 را روی ۸ کارت H100 اجرا میکند. حداقل حافظه برآوردی است.
نصب و اجرا
- ۱
Ollama را نصب کنیدلینوکس
curl -fsSL https://ollama.com/install.sh | shدر ویندوز و مک، برنامهٔ نصب را از ollama.com/download بگیرید.
- ۲
نسخهٔ 8B را بگیرید
ollama pull qwen3-vl:8bحدود ۶ گیگابایت؛ Ollama نسخهٔ 0.12.7 یا جدیدتر لازم است. برای سیستم ضعیف 4b یا 2b و برای دقت بیشتر 30b یا 32b را بگیرید.
- ۳
عکس را همراه دستور بدهید
ollama run qwen3-vl:8b "Extract all text from this image: ./scan.jpg"مسیر فایل عکس را داخل پیام بنویسید؛ دستور را می‌توانید فارسی هم بنویسید.
- ۴
یا با LM Studio
lms get qwen/qwen3-vl-8bدر LM Studio عکس را به پنجرهٔ چت بدهید. شناسه‌های دیگر: qwen/qwen3-vl-4b، qwen/qwen3-vl-30b و qwen/qwen3-vl-32b.
- ۵
روی سرور با vLLMلینوکس
vllm serve Qwen/Qwen3-VL-235B-A22B-Instruct-FP8 --tensor-parallel-size 8 --mm-encoder-tp-mode data --enable-expert-parallel --async-schedulingدستور رسمی Qwen برای نسخهٔ 235B روی ۸ کارت H100؛ vLLM نسخهٔ 0.11.0 یا جدیدتر لازم است.
دانلود
- Ollama ↗رسمی
همهٔ اندازه‌ها، در نسخه‌های Instruct و Thinking.
- Hugging Face (مخزن رسمی Qwen) ↗رسمی
وزن کامل 8B؛ اندازه‌های دیگر در همین حساب هستند.
- Hugging Face — GGUF رسمی ↗رسمی
فایل مدل و فایل mmproj برای عکس؛ برای llama.cpp یا وارد کردن دستی در Ollama.
- ModelScope (حساب رسمی Qwen) ↗رسمی
همان وزن‌ها روی ModelScope.
- LM Studio ↗رسمی
نسخه‌های 2B تا 32B در قالب GGUF و MLX.
نکات امنیتی
- عکسها و اسکن‌های شخصی (کارت ملی، قرارداد) را فقط روی دستگاه خودتان پردازش کنید؛ نسخهٔ محلی چیزی بیرون نمی‌فرستد.
- متن داخل عکس می‌تواند دستور پنهان برای مدل داشته باشد (تزریق دستور)؛ در کارهای حساس، خروجی را بازبینی کنید.
- اگر از قابلیت ایجنت (کار با رابط کامپیوتر یا گوشی) استفاده می‌کنید، دسترسی مدل را محدود کنید؛ ممکن است دکمهٔ اشتباه بزند.
- پورت ۱۱۴۳۴ Ollama را به اینترنت باز نکنید؛ Ollama به‌طور پیشفرض فقط روی 127.0.0.1 گوش میدهد و بهتر است همین‌طور بماند.
برای شرکت‌ها و سازمان‌ها
برای شرکت: نسخهٔ 8B روی یک کارت معمولی، اسکن و فاکتورها را بدون خروج داده می‌خواند؛ نسخهٔ 30B یا 32B روی یک کارت ۳۲ یا ۴۸ گیگابایتی دقت بیشتری دارد و نسخهٔ 235B برای سرور چندکارته است. با vLLM یک API سازگار با OpenAI برای چند کاربر هم‌زمان بالا می‌آید.
برنامه‌هایی که این مدل را اجرا می‌کنند
اولاما
ال‌ام استودیو
لاما سی‌پی‌پی
کوبولد سیپیپیآخرین بررسی: ۱۲ مهر ۱۴۰۵ · انتشار: ۲۴ شهریور ۱۴۰۴
معرفی: کوئن ۳ وی‌ال (آفلاین)
Qwen3-VL خانوادهٔ مدل‌های بینایی تیم Qwen در علی‌بابا است که از سپتامبر تا اکتبر ۲۰۲۵ منتشر شد. عکس، اسکن، نمودار و ویدیو را می‌فهمد، متن داخل تصویر را می‌خواند و به سؤال دربارهٔ آن جواب میدهد. از 2B تا 235B اندازه دارد و هر اندازه نسخهٔ Instruct (جواب مستقیم) و Thinking (با استدلال) دارد.
برای کسانی است که عکس و سند را نمی‌خواهند به سرویس ابری بفرستند: حسابدار با فاکتور، وکیل با قرارداد، دانشجو با جزوهٔ اسکن‌شده یا شرکتی که فرم کاغذی را به داده تبدیل میکند. فارسی جزو زبان‌های OCR آن است و در گزارش فنی Qwen، دقت خواندن متن فارسی حدود ۸۸ درصد آمده است.
سخت‌افزار: نسخهٔ 8B (پیشفرض Ollama) حدود ۶ گیگابایت است و روی لپتاپ ۱۶ گیگابایتی اجرا می‌شود. 2B و 4B برای سیستم‌های ضعیف‌ترند. 30B و 32B کارت ۲۴ تا ۳۲ گیگابایتی یا مک ۳۲ گیگابایتی می‌خواهند و 235B فقط برای سرور است.
برای شروع، Ollama نسخهٔ 0.12.7 یا جدیدتر را نصب کنید، ollama run qwen3-vl:8b را بزنید و مسیر عکس را در پیامتان بیاورید. در LM Studio هم می‌توانید عکس را به پنجرهٔ چت بدهید.
محدودیت‌ها: عکس نمی‌سازد، Ollama ویدیو نمی‌پذیرد و دقت نسخه‌های کوچک کمتر است؛ برای اسناد مهم، خروجی را بازبینی کنید. از اکتبر ۲۰۲۵ چک‌پوینت تازه‌ای از Qwen3-VL نیامده و برای بیشتر کاربران مدل‌های تازه‌تر و ذاتاً چندوجهی Qwen3.5 (0.8B تا 9B) و Qwen3.6 و Qwen3.8 (27B) جای آن را گرفته‌اند.
بهترین کاربردها
- •متن عکس یا اسکن فارسی را بدون اینترنت استخراج کنم
- •روی لپتاپ ۱۶ گیگابایتی یک مدل آفلاین داشته باشم که عکس و نمودار را بفهمد
- •فاکتورها و قراردادهای اسکن‌شده را آفلاین بخوانم و خلاصه کنم
- •از روی اسکرین‌شات یک صفحه، کد HTML و CSS آن را بسازم
- •بدون فرستادن عکس به سرور خارجی دربارهٔ یک تصویر سؤال بپرسم
- •جدول داخل عکس را آفلاین به متن جدول‌دار تبدیل کنم
- •فرم‌های کاغذی را بدون اینترنت به داده تبدیل کنم
برای این کارها سراغش نروید
- –ساخت یا ویرایش عکس (فقط عکس را می‌خواند)
- –تبدیل گفتار به متن
- –تحلیل ویدیو در Ollama (Ollama فقط عکس می‌گیرد)
- –اسکن انبوه هزاران صفحه با سرعت بالا (GLM-OCR سبک‌تر است)
تصاویر محیط ابزار
نقاط قوت
- ✓مجوز Apache 2.0
- ✓فارسی جزو زبان‌های OCR است؛ دقت حدود ۸۸ درصد در آزمون خود Qwen
- ✓از 2B تا 235B؛ از لپتاپ تا سرور
- ✓عکس، نمودار، سند چندصفحه‌ای و ویدیو را می‌فهمد و پنجرهٔ متنش ۲۵۶ هزار توکن است
- ✓نسخه‌های Thinking برای استدلال روی تصویر
- ✓در Ollama و LM Studio با یک فرمان نصب می‌شود
نقاط ضعف
- ✗نسخهٔ 8B حدود ۶ گیگابایت است و دست‌کم حدود ۸ گیگابایت حافظهٔ کارت گرافیک یا ۱۰ گیگابایت رم (برآورد) می‌خواهد؛ نسخه‌های 30B و 32B حدود ۲۴ تا ۲۸ گیگابایت
- ✗نسخه‌های کوچک (2B و 4B) طبق جدول‌های گزارش فنی دقت کمتری دارند
- ✗Ollama ورودی ویدیو را نمی‌پذیرد (فقط vLLM و Transformers)
- ✗عکس نمی‌سازد و ویرایش نمی‌کند
پرسش‌های پرتکرار
کدام اندازه را نصب کنم؟
لپتاپ ۸ گیگابایتی: 2b یا 4b. کامپیوتر ۱۶ گیگابایتی یا کارت ۸ گیگابایتی: 8b (پیشفرض). کارت ۲۴ گیگابایتی یا مک ۳۲ گیگابایتی: 30b. کارت ۳۲ گیگابایتی: 32b. نسخهٔ 235b فقط برای سرور است.
متن فارسی را از عکس درست درمی‌آورد؟
تیم Qwen دقت OCR فارسی را روی آزمون داخلی خودش حدود ۸۸ درصد گزارش کرده است. برای اسناد مهم، خروجی را بازبینی کنید؛ نسخه‌های بزرگ‌تر دقیق‌ترند.
فرق Instruct و Thinking چیست؟
Instruct مستقیم جواب میدهد و برای OCR و توصیف عکس سریعتر است. Thinking پیش از جواب استدلال میکند و برای مسئلههای ریاضی و نمودار مناسبتر است. در Ollama هر دو برچسب هست، مثلاً qwen3-vl:8b-thinking.
واقعاً آفلاین است؟
بله. بعد از دانلود، عکسها روی همان دستگاه پردازش میشوند و چیزی بیرون نمیرود.
استفادهٔ تجاری آزاد است؟
بله؛ مجوز Apache 2.0 است و فقط باید متن مجوز را همراه نسخه نگه دارید.
نظرات کاربران
هنوز نظری ثبت نشده — اولین نفر باشید!
ابزارهای مشابه
مشاهده همه
جما ۴ (آفلاین)
Gemma 4 (offline)
خانوادهٔ مدل باز گوگل که روی لپتاپ یا کامپیوتر خودتان و بدون اینترنت اجرا می‌شود: چت، خلاصه‌نویسی، کدنویسی و فهم تصویر در پنج اندازه از E2B تا 31B، با مجوز آزاد Apache 2.0.
کوئن ۳.۵ (آفلاین)
Qwen3.5 (offline)
خانوادهٔ مدل باز علی‌بابا که فارسی در فهرست رسمی زبان‌هایش است؛ از 0.8B برای لپتاپ ضعیف تا 35B-A3B برای سیستم قوی، با فهم تصویر، حافظهٔ متنی ۲۶۲ هزار توکنی و مجوز Apache 2.0.
رگ‌فلو (پرسش و پاسخ از اسناد)
RAGFlow
سرور متن‌باز (Apache-2.0) برای ساخت سامانهٔ پرسش و پاسخ از اسناد شرکت روی سرور خودتان: PDF، Word، اسلاید، اکسل و اسکن را با تحلیل چیدمان، OCR و جدول می‌خواند و جواب را با ارجاع به منبع میدهد؛ با مدل‌های Ollama کاملاً بدون اینترنت کار میکند.