多模态模型选型指南：Qwen VL / MiniMax M3 / DeepSeek Vision / ERNIE VL 怎么选
多模态模型选型指南：图文理解模型怎么选
多模态 LLM 正在从「能看图」进化到「能做图相关的多步任务」。国产开源已经有多家提供了图文理解能力，但它们的定位和工具链差异很大。本文把 Qwen VL、MiniMax M3、DeepSeek Vision-Exp 和 ERNIE VL 四个家族的图文能力放在一起对比，帮你按场景选。
30 秒版本
看单张图回答问题：四家都能做，选生态最顺的。理解超长文档里的图表：优先看 Kimi 或 DeepSeek 的长上下文多模态。批量 OCR/表格提取：ERNIE 的 OCR 专精线比通用 VL 更准更省。图像编辑 + 理解一体：Qwen-Image 或 MiniMax M3。部署工具链：Qwen/ERNIE 走标准路线，MiniMax M3 走多模态运行时。
四个家族的图文理解产品线
| 家族 | 模型 | 输入类型 | 特点 | 下载量参考 |
|---|---|---|---|---|
| Qwen | Qwen VL 系 | 图像+文本 | 家族内规格最丰富 | VL 系列累计量最大 |
| MiniMax | M3 / M3.1-Flash | 图像+文本 | 最新加入多模态，Flash 档轻量 | M3 约 16 万 |
| DeepSeek | V4-Flash-Vision-Exp | 图像+文本 | 实验版，与 V4-Flash 同代 | 约 17 万 |
| ERNIE | VL-28B-A3B / VL-424B-A47B | 图像+文本 | 双档覆盖轻量和旗舰 | VL-424B 数万 |
产品线定位差异
Qwen VL 的覆盖面最广（多个规格和变体），ERNIE VL 分轻量/旗舰双档，MiniMax M3 是后进入者但有 Flash 轻量选项，DeepSeek 的视觉线目前还是实验版。选择时不要只看参数名，要看你的任务是否匹配该模型的训练方向。
选型的四个关键维度
1. 输入格式。 不同模型接受的输入类型不同：单张图、多图、视频帧、RGBA 透明图。如果你的任务需要处理视频帧序列或多图关联分析，先确认模型是否支持。
2. 编辑 vs 理解。 有些模型侧重「看懂图并回答问题」（理解型），有些侧重「修改图的内容」（编辑型）。Qwen-Image-2.1 和 MiniMax H3 有编辑能力，但那是图像生成模型而不是图文理解 LLM。确认你的任务是理解还是生成。
3. 部署工具链。 图文理解模型的部署通常用 transformers 库加载，但部分模型需要额外的视觉处理器或专用推理引擎。部署前先确认你的推理框架是否支持该架构。
4. OCR vs 通用 VL。 如果你的任务是精确的文档 OCR（表格提取、票据识别），用专用 OCR 模型（如 ERNIE 的 Unlimited-OCR 或 DeepSeek-OCR-2）比通用 VL 更准也更省。通用 VL 适合「看图并推理」的场景。
不要只看模型名判断能力
「Qwen VL」不是一个模型，是一个家族——包含多个规格和多个变体。「DeepSeek Vision-Exp」标注了「实验版」，意味着它可能不如同家族的文本线稳定。选型时看具体模型卡的说明，而不是家族名。
如何实测
和方法与 Embedding 选型一样，用自己的数据：
1. 准备测试图片。 从你的真实场景中挑 10-20 张代表性图片（不同类型、不同质量、不同语言），为每张图片写 2-3 个你期望模型能回答的问题。
2. 跑推理测试。 把同一组图片和问题发给候选模型，人工评估回答的准确性。重点看：是否正确识别了图中的关键信息、是否理解了空间关系和上下文、是否给出了有用且准确的回答。
3. 对比部署成本。 记录每个模型的推理延迟和显存占用，评估在你的硬件上是否可行。
本地部署注意事项
多模态模型的本地部署比纯文本模型复杂：
- 视觉处理器：需要加载额外的图像处理器（processor），不只是 tokenizer
- 显存：多模态模型的显存需求通常高于同参数量的纯文本模型（因为要处理视觉特征）
- 推理框架：确认你的框架（vLLM、SGLang 等）支持该模型的多模态架构
- 预处理：不同模型对图片的预处理要求不同（分辨率、归一化方式）
EXAIV 云端目录
本文发布时，EXAIV 云端目录的多模态模型可用性以 /models 实时列表为准。本地部署则按各模型的官方指南操作，工具链差异较大，部署前先确认你的推理框架支持。
FAQ
通用 VL 模型和 OCR 专精模型应该选哪个？
多模态模型的显存需求比文本模型高多少？
Qwen VL 和 Qwen-Image 是同一个东西吗？
MiniMax M3 的多模态能力成熟吗？
哪家的多模态最好？
相关阅读
- Qwen-Image-2.1 本地部署 — 图像生成模型部署
- MiniMax 全系盘点 — M3 多模态线的家族背景
- 百度 ERNIE 全系盘点 — ERNIE OCR/VL 产品线
- Embedding 模型选型 — 多模态向量检索
- 模型目录 — 当前可用模型