🌠Qwen3-VL : guide pour exécuter

Apprenez à fine-tuner et exécuter Qwen3-VL localement avec Unsloth.

Qwen3-VL est les nouveaux modèles de vision de Qwen avec instruct et thinking versions. Les modèles 2B, 4B, 8B et 32B sont denses, tandis que 30B et 235B sont MoE. Le LLM 235B thinking offre des performances SOTA en vision et en codage rivalisant avec GPT-5 (haut) et Gemini 2.5 Pro. Qwen3-VL possède des capacités de vision, vidéo et OCR ainsi qu'un contexte de 256K (peut être étendu à 1M). Unsloth prend en charge l'ajustement fin (fine-tuning) de Qwen3-VL et RL. Entraînez Qwen3-VL (8B) gratuitement avec nos carnets (notebooks).

Exécution de Qwen3-VLAjustement fin (Fine-tuning) de Qwen3-VL

🖥️ Exécution de Qwen3-VL

Pour exécuter le modèle dans llama.cpp, vLLM, Ollama, etc., voici les paramètres recommandés :

⚙️ Paramètres recommandés

Qwen recommande ces paramètres pour les deux modèles (ils sont légèrement différents pour Instruct vs Thinking) :

Paramètres Instruct :	Paramètres Thinking :
Température = 0.7	Température = 1.0
Top_P = 0.8	Top_P = 0.95
presence_penalty = 1.5	presence_penalty = 0.0
Longueur de sortie = 32768 (jusqu'à 256K)	Longueur de sortie = 40960 (jusqu'à 256K)
Top_K = 20	Top_K = 20

Qwen3-VL a également utilisé les paramètres ci-dessous pour leurs chiffres de référence, comme mentionné sur GitHub.

Paramètres Instruct :

export greedy='false'
export seed=3407
export top_p=0.8
export top_k=20
export temperature=0.7
export repetition_penalty=1.0
export presence_penalty=1.5
export out_seq_length=32768

Paramètres Thinking :

export greedy='false'
export seed=1234
export top_p=0.95
export top_k=20
export temperature=1.0
export repetition_penalty=1.0
export presence_penalty=0.0
export out_seq_length=40960

🐛Corrections de bogues du modèle de conversation (chat template)

Chez Unsloth, nous privilégions avant tout la précision, donc nous avons enquêté sur la raison pour laquelle, après le 2e tour d'exécution des modèles Thinking, llama.cpp se plantait, comme montré ci-dessous :

Le code d'erreur :

terminate called after throwing an instance of 'std::runtime_error'
  what():  Value is not callable: null at row 63, column 78:
            {%- if '</think>' in content %}
                {%- set reasoning_content = ((content.split('</think>')|first).rstrip('\n').split('<think>')|last).lstrip('\n') %}
                                                                             ^

Nous avons corrigé avec succès le template de conversation Thinking pour les modèles VL, donc nous avons re-téléversé tous les quants Thinking et les quants d'Unsloth. Ils devraient maintenant tous fonctionner après la 2e conversation - d'autres quants échoueront à se charger après la 2e conversation.

Téléversements Unsloth de Qwen3-VL:

Qwen3-VL est désormais pris en charge pour les GGUF par llama.cpp depuis le 30 octobre 2025, vous pouvez donc les exécuter localement !

GGUF dynamiques (pour exécution)	4-bit BnB Unsloth Dynamic	16-bit pleine précision
2B-Instruct 2B-Thinking 4B-Instruct 4B-Thinking 8B-Instruct 8B-Thinking 30B-Instruct 30B-Thinking 32B-Instruct 32B-Thinking 235B-A22B-Instruct 235B-A22B-Thinking	2B-Instruct 2B-Thinking 4B-Instruct 4B-Thinking 8B-Instruct 8B-Thinking 32B-Instruct 32B-Thinking	2B-Instruct 4B-Instruct 4B-Thinking 8B-Instruct 8B-Thinking 30B-Instruct 30B-Thinking 32B-Instruct 32B-Thinking 235B-A22B-Thinking 235B-A22B-Instruct

📖 Llama.cpp : Tutoriel pour exécuter Qwen3-VL

1. Obtenez la dernière llama.cpp sur GitHub ici. Vous pouvez aussi suivre les instructions de compilation ci-dessous. Changez -DGGML_CUDA=ON en -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous voulez uniquement l'inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - le support Metal est activé par défaut.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first
cp llama.cpp/build/bin/llama-* llama.cpp

1. Commençons par obtenir une image ! Vous pouvez aussi téléverser des images. Nous allons utiliser https://raw.githubusercontent.com/unslothai/unsloth/refs/heads/main/images/unsloth%20made%20with%20love.png, qui est simplement notre mini logo montrant comment les finetunes sont faits avec Unsloth :

1. Téléchargeons cette image

wget https://raw.githubusercontent.com/unslothai/unsloth/refs/heads/main/images/unsloth%20made%20with%20love.png -O unsloth.png

1. Allons chercher la 2e image à https://files.worldwildlife.org/wwfcmsprod/images/Sloth_Sitting_iStock_3_12_2014/story_full_width/8l7pbjmj29_iStock_000011145477Large_mini__1_.jpg

wget https://files.worldwildlife.org/wwfcmsprod/images/Sloth_Sitting_iStock_3_12_2014/story_full_width/8l7pbjmj29_iStock_000011145477Large_mini__1_.jpg -O picture.png

1. Ensuite, utilisons la fonction de téléchargement automatique de modèle de llama.cpp, essayez ceci pour le modèle 8B Instruct :

./llama.cpp/llama-mtmd-cli \
    -hf unsloth/Qwen3-VL-8B-Instruct-GGUF:UD-Q4_K_XL \
    --n-gpu-layers 99 \
    --jinja \
    --top-p 0.8 \
    --top-k 20 \
    --temp 0.7 \
    --min-p 0.0 \
    --flash-attn on \
    --presence-penalty 1.5 \
    --ctx-size 8192

1. Une fois dedans, vous verrez l'écran ci-dessous :

1. Chargez l'image via /image PATH c.-à-d. /image unsloth.png puis appuyez sur ENTER

1. Quand vous appuyez sur ENTER, il dira "unsloth.png image loaded"

1. Maintenant posons une question comme "Qu'est-ce que cette image ?" :

1. Chargez maintenant la photo 2 via /image picture.png puis appuyez sur ENTER et demandez "Qu'est-ce que cette image ?"

1. Et enfin, demandons comment les deux images sont liées (ça marche !)

Les deux images sont directement liées car elles présentent toutes deux le paresseux arboricole, qui est le sujet central du projet "made with unsloth".

- La première image est le logo officiel du projet "made with unsloth". Elle présente un personnage stylisé et cartoon de paresseux arboricole à l'intérieur d'un cercle vert, avec le texte "made with unsloth" à côté. C'est l'identité visuelle du projet.
- La deuxième image est une photographie d'un paresseux arboricole réel dans son habitat naturel. Cette photo capture l'apparence physique et le comportement de l'animal dans la nature.

La relation entre les deux images est que le logo (image 1) est une représentation numérique ou un symbole utilisé pour promouvoir le projet "made with unsloth", tandis que la photographie (image 2) est une représentation réelle du paresseux arboricole. Le projet utilise probablement le personnage du logo comme icône ou mascotte, et la photographie sert à montrer à quoi ressemble le paresseux arboricole dans son environnement naturel.

1. Vous pouvez également télécharger le modèle via (après avoir installé pip install huggingface_hub hf_transfer ) le snapshot_download de HuggingFace, puisque le téléchargeur automatique de llama.cpp peut être lent. Vous pouvez choisir Q4_K_M, ou d'autres versions quantifiées.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id   = "unsloth/Qwen3-VL-8B-Instruct-GGUF", # Ou "unsloth/Qwen3-VL-8B-Thinking-GGUF"
    local_dir = "unsloth/Qwen3-VL-8B-Instruct-GGUF", # Ou "unsloth/Qwen3-VL-8B-Thinking-GGUF"
    allow_patterns = ["*UD-Q4_K_XL*", "*mmproj-F16*"],
)

1. Lancez le modèle et essayez n'importe quelle invite (prompt). Pour Instruct :

./llama.cpp/llama-mtmd-cli \
    --model unsloth/Qwen3-VL-8B-Instruct-GGUF/Qwen3-VL-8B-Instruct-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3-VL-8B-Instruct-GGUF/mmproj-F16.gguf \
    --n-gpu-layers 99 \
    --jinja \
    --top-p 0.8 \
    --top-k 20 \
    --temp 0.7 \
    --min-p 0.0 \
    --flash-attn on \
    --presence-penalty 1.5 \
    --ctx-size 8192

1. Pour Thinking:

./llama.cpp/llama-mtmd-cli \
    --model unsloth/Qwen3-VL-8B-Thinking-GGUF/Qwen3-VL-8B-Thinking-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3-VL-8B-Thinking-GGUF/mmproj-F16.gguf \
    --n-gpu-layers 99 \
    --jinja \
    --top-p 0.95 \
    --top-k 20 \
    --temp 1.0 \
    --min-p 0.0 \
    --flash-attn on \
    --presence-penalty 0.0 \
    --ctx-size 8192

🪄Exécution de Qwen3-VL-235B-A22B et Qwen3-VL-30B-A3B

Pour Qwen3-VL-235B-A22B, nous utiliserons llama.cpp pour une inférence optimisée et une pléthore d'options.

1. Nous suivons des étapes similaires à celles ci-dessus mais cette fois nous devrons aussi effectuer des étapes supplémentaires car le modèle est tellement volumineux.

2. Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD-Q2_K_XL, ou d'autres versions quantifiées..

   # !pip install huggingface_hub hf_transfer
   import os
   os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
   from huggingface_hub import snapshot_download
   snapshot_download(
       repo_id = "unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF",
       local_dir = "unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF",
       allow_patterns = ["*UD-Q2_K_XL*", "*mmproj-F16*"],
   )

3. Exécutez le modèle et essayez une invite. Réglez les paramètres corrects pour Thinking vs. Instruct.

Instruct :

./llama.cpp/llama-mtmd-cli \
    --model unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF/UD-Q2_K_XL/Qwen3-VL-235B-A22B-Instruct-UD-Q2_K_XL-00001-of-00002.gguf \
    --mmproj unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF/mmproj-F16.gguf
    --jinja \
    --top-p 0.8 \
    --top-k 20 \
    --temp 0.7 \
    --min-p 0.0 \
    --flash-attn on \
    --presence-penalty 1.5 \
    --ctx-size 8192 \

Thinking :

./llama.cpp/llama-mtmd-cli \
    --model unsloth/Qwen3-VL-235B-A22B-Thinking-GGUF/UD-Q2_K_XL/Qwen3-VL-235B-A22B-Thinking-UD-Q2_K_XL-00001-of-00002.gguf \
    --mmproj unsloth/Qwen3-VL-235B-A22B-Thinking-GGUF/mmproj-F16.gguf \
    --n-gpu-layers 99 \
    --jinja \
    --top-p 0.95 \
    --top-k 20 \
    --temp 1.0 \
    --min-p 0.0 \
    --flash-attn on \
    --presence-penalty 0.0 \
    --ctx-size 8192 \
    -ot ".ffn_.*_exps.=CPU"

1. Modifiez, --ctx-size 16384 pour la longueur de contexte, --n-gpu-layers 99 pour le déchargement sur GPU du nombre de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Retirez-le également si vous n'avez que l'inférence CPU.

Utilisez --fit on introduit le 15 décembre 2025 pour une utilisation maximale de votre GPU et CPU.

Optionnellement, utilisez -ot ".ffn_.*_exps.=CPU" pour décharger toutes les couches MoE sur le CPU ! Cela vous permet effectivement d'adapter toutes les couches non MoE sur 1 GPU, améliorant les vitesses de génération. Vous pouvez personnaliser l'expression regex pour adapter plus de couches si vous avez plus de capacité GPU.

🐋 Docker : Exécuter Qwen3-VL

Si vous avez déjà Docker Desktop, pour exécuter les modèles d'Unsloth depuis Hugging Face, exécutez la commande ci-dessous et c'est tout :

docker model pull hf.co/unsloth/Qwen3-VL-8B-Instruct-GGUF:UD-Q4_K_XL

Ou vous pouvez exécuter les modèles Qwen3-VL téléversés de Docker :

docker model run ai/qwen3-vl

🦥 Ajustement fin (Fine-tuning) de Qwen3-VL

Unsloth prend en charge le fine-tuning et l'entraînement par renforcement (RL) de Qwen3-VL, y compris les modèles plus grands 32B et 235B. Cela inclut la prise en charge du fine-tuning pour la vidéo et la détection d'objets. Comme d'habitude, Unsloth rend les modèles Qwen3-VL 1,7x plus rapides avec 60 % de VRAM en moins et des longueurs de contexte 8x plus longues sans dégradation de la précision. Nous avons créé deux carnets d'entraînement Qwen3-VL (8B) que vous pouvez entraîner gratuitement sur Colab :

• Carnet de fine-tuning SFT normal

• Carnet RL GRPO/GSPO

Sauvegarder Qwen3-VL en GGUF fonctionne maintenant car llama.cpp le supporte !

Si vous souhaitez utiliser un autre modèle Qwen3-VL, il suffit de remplacer le modèle 8B par le 2B, 32B, etc.

L'objectif du carnet GRPO est de faire résoudre des problèmes de mathématiques à un modèle langage-visuel via RL à partir d'une entrée image comme ci-dessous :

Ce support de Qwen3-VL intègre également notre dernière mise à jour pour un RL encore plus économe en mémoire et plus rapide incluant notre fonction Standby, qui limite de manière unique la dégradation de la vitesse par rapport à d'autres implémentations. Vous pouvez en lire plus sur la façon d'entraîner des VLM avec RL dans notre guide VLM GRPO.

Entraînement multi-images

Pour fine-tuner ou entraîner Qwen3-VL avec plusieurs images, le changement le plus simple est de remplacer

ds_converted = ds.map(
    convert_to_conversation,
)

par :

ds_converted = [convert_to_converation(sample) for sample in dataset]

L'utilisation de map déclenche la standardisation du dataset et les règles de traitement arrow qui peuvent être strictes et plus compliquées à définir.