在阿里通義今晨發(fā)布Qwen3-VL系列新成員Qwen3-VL-4B和Qwen3-VL-8B之際，英特爾于今日同步宣布，已經在酷睿 Ultra 平臺上完成對這些最新模型的適配。此次Day 0支持延續(xù)了十天前對Qwen3新模型快速適配的卓越速度，再次印證了英特爾在加速AI技術創(chuàng)新、積極構建模型合作生態(tài)方面的深度投入與行動力。

此次發(fā)布的Qwen3-VL系列新模型，在延續(xù)其卓越的文本理解和生成、深度視覺感知與推理、更長的上下文長度、增強的空間與視頻動態(tài)理解及強大代理交互能力的同時，憑借其輕量化的模型參數設計，在英特爾酷睿Ultra平臺上可以實現高效部署，為復雜的圖片和視頻理解及智能體應用帶來更出色的性能與體驗。

為確保用戶能夠獲得更流暢的AI體驗，英特爾在酷睿Ultra平臺上，對Qwen3-VL-4B 模型進行了創(chuàng)新的CPU、GPU和NPU混合部署，充分釋放了XPU架構的強大潛力。通過精巧地分解并優(yōu)化復雜的視覺語言模型負載鏈路，并將更多負載精準調度至專用的NPU上，此次英特爾的Day 0支持實現了：

?顯著的能效優(yōu)化：大幅降低CPU占用率，更好地支持用戶并發(fā)應用。

?卓越的性能表現：在混合部署場景中，模型運行吞吐量達到22.7tps。

?流暢的用戶體驗：充分利用酷睿Ultra的跨平臺能力，提供無縫的AI交互。

以下的演示視頻充分地展示了該成果：Qwen3-VL-4B模型在圖片理解與分析任務中，在高效利用NPU算力的同時，顯著降低了CPU的資源占用。

快速上手指南

第一步環(huán)境準備

基于以下命令可以完成模型部署任務在Python上的環(huán)境安裝。

該示例在以下環(huán)境中已得到驗證：

?硬件環(huán)境:

英特爾® 酷睿? Ultra 7 258V

iGPU驅動版本：32.0.101.6733

內存: 32GB

?操作系統(tǒng)：

Windows 11 24H2 (26100.4061)

OpenVINO版本:

openvino 2025.3.0

第二步模型下載和轉換

在部署模型之前，首先需要將原始的PyTorch模型轉換為OpenVINOTM的IR靜態(tài)圖格式，并對其進行壓縮，以實現更輕量化的部署和最佳的性能表現。通過Optimum提供的命令行工具optimum-cli，可以一鍵完成模型的格式轉換和權重量化任務：

開發(fā)者可以根據模型的輸出結果，調整其中的量化參數，包括：

--model： 為模型在HuggingFace上的model id，這里也提前下載原始模型，并將model id替換為原始模型的本地路徑，針對國內開發(fā)者，推薦使用ModelScope魔搭社區(qū)作為原始模型的下載渠道，具體加載方式可以參考ModelScope官方指南：https://www.modelscope.cn/docs/models/download

--weight-format：量化精度，可以選擇fp32,fp16,int8,int4,int4_sym_g128,int4_asym_g128,int4_sym_g64,int4_asym_g64

--group-size：權重里共享量化參數的通道數量

--ratio：int4/int8權重比例，默認為1.0，0.6表示60%的權重以int4表，40%以int8表示

--sym：是否開啟對稱量化

第三步模型部署

除了利用Optimum-cli工具導出OpenVINOTM模型外，我們還在Optimum-intel中重構了Qwen3-VL和Qwen3-VL-MOE模型的Pipeline，將官方示例示例中的的Qwen3VLForConditionalGeneration替換為OVModelForVisualCausalLM便可快速利用OpenVINOTM進行模型部署，完整示例可參考以下代碼流程。

以下為該模型在圖像理解任務中的輸出示例：

（圖片由AI生成，僅做效果演示）

*性能數據基于以下測試獲得：在搭載酷睿Ultra 7 258V處理器的平臺上，采用OpenVINO框架2025.4.0.dev20250922版本，所有計算均在XPU上完成。測試評估了首個token延遲和在nf4-mixed-cw-sym精度設置下處理1K輸入時的平均吞吐量。為保證數據可靠性，每個測試均在預熱后執(zhí)行三次，并取平均值作為最終結果。性能因使用方式、配置和其他因素而異。

性能結果基于測試時的配置狀態(tài)，可能未反映所有公開可用的更新內容。請參閱相關文檔以獲取配置詳情。沒有任何產品或組件能夠保證絕對安全。您的實際成本和結果可能會有所不同。