本地多模态工作流搭建完整指南：用 Qwopus3.8-27B-Flash-mxfp4-MLX 快速打造图像描述与文档解析智能体-开发者社区

【免费下载链接】Qwopus3.8-27B-Flash-mxfp4-MLX

项目地址：https://ai.gitcode.com/hf_mirrors/mlx-community/Qwopus3.8-27B-Flash-mxfp4-MLX

想在本地搭建一套多模态工作流，却不想把数据上传到云端？Qwopus3.8-27B-Flash-mxfp4-MLX 是一个已转换为 MLX 格式的多模态视觉大模型，原生支持图像描述与文档解析，配合其工具调用能力，可以在你自己的电脑上打造一个开箱即用的多模态智能体。它采用 mxfp4 4-bit 量化，27B 规模的能力、十几 GB 的体积，让"本地跑视觉模型"第一次变得如此轻快。

模型亮点速览：为什么选它？

先给结论，这张表告诉你它强在哪里：

特性	说明
参数规模	27B（64 层混合注意力架构）
量化方式	mxfp4（4-bit，group size 32），体积大幅压缩
上下文长度	最长 262,144 token，轻松吃下超长文档
模态支持	图像 + 视频 + 文本 → 文本（`image-text-to-text`）
智能体能力	内置工具调用 / function calling 与推理（reasoning）模板
多语言	中、英、西、俄、日
授权	Apache-2.0，可放心用于个人与商业场景

🚀 它的架构采用"线性注意力 + 全注意力"混合设计（每 4 层中仅 1 层为 full attention），推理开销远低于同规模模型，这正是命名中 "Flash" 的由来；同时带有 MTP 层，支持投机解码进一步提速。

仓库文件清单：里面都有什么？

这个仓库是一个标准的模型权重仓库，文件各司其职，下载前可以先心里有数：

文件	作用
model-00001-of-00003.safetensors、model-00002-of-00003.safetensors、model-00003-of-00003.safetensors	三片模型权重（含视觉塔与语言模型）
model.safetensors.index.json	权重分片索引，标注每个张量在哪一片、总参数规模（约 15.2 GB）
config.json	模型结构配置：mxfp4 量化参数、注意力类型、视觉塔结构等
generation_config.json	默认生成参数：`temperature`1.0、`top_k`20、`top_p`0.95
processor_config.json	图像/视频处理器配置（`Qwen3VLProcessor`，支持图像与视频输入）
chat_template.jinja	对话模板，内置工具调用（`