1
🇨🇳 Qwen 3 VL 30B-A3B
视觉 MoE，总参数量 30B，激活参数量 3B。Qwen 3 视觉模型中的最佳平衡点。256k 上下文。
排名原因
原生支持图像输入。30B参数，实现精细分析。
ollama run qwen3-vl:30b
Q4 VRAM
19 GB
Q8 格式下 35 GB
2026 年具备视觉功能的最佳本地 LLM
◆ 本地 AI — 1 小时即可在你的电脑上拥有私密、免费的 ChatGPT · 24 欧元 · 或以 49 欧元购买所有套件 →排名更新于 2026年9月22日
能够分析输入图像的开放权重 LLM 排名：OCR、图像描述、视觉问答、图表分析、从屏幕截图中提取数据。所有模型均可自行托管。
排名
2
🇺🇸 Gemma 4 26B-A4B MoE
Gemma 4 的 MoE 变体。总参数量 26B，激活参数量 4B。完整多模态（文本+图像+音频）。
排名原因
原生支持图像输入。26B 参数可提供不错的分析效果。
ollama run gemma4:26b
Q4 VRAM
16 GB
Q8 量化下 28 GB
3
🇨🇳 LLaDA 2.0 Uni 16B
首个采用 Apache 2.0 许可证的开源 dLLM：MoE 16B/1B + 6.2B 扩散解码器。文本与视觉统一。2026 年 4 月 22 日发布。
排名原因
原生支持图像输入。160 亿参数，可提供较好的分析效果。
# HuggingFace : inclusionAI/LLaDA2.0-Uni (Flash Attn 2 + CUDA 12.4 requis)
Q4 VRAM
18 GB
30 GB，Q8 量化
4
🇨🇳 Qwen 3.6 27B
27B 稠密多模态模型，2026 年 4 月 22 日发布。262k 上下文（1M YaRN）。SWE-bench Verified 77.2%。
排名原因
原生支持图像输入。270 亿参数，可提供较好的分析效果。
ollama run qwen3.6:27b
Q4 VRAM
16 GB
Q8 格式下 29 GB
5
🇨🇳 Qwen 3.8 27B
Qwen 3.8 27B：稠密多模态模型（文本 + 视觉），262k 上下文，Q4 约需 16 GB 显存（Ollama 权重为 18 GB）。Apache 2.0，支持智能体式编程和视觉。
排名原因
原生支持图像输入。270 亿参数，可提供较好的分析效果。
ollama run qwen3.8:27b
Q4 VRAM
16 GB
Q8 格式下 29 GB
6
🇺🇸 Gemma 4 31B
稠密架构，31B 参数，支持多模态（文本+图像+音频）。支持 140+ 种语言，256k 上下文。Chatbot Arena 开源模型排名第 3。
排名原因
原生支持图像输入。31B参数，实现精细分析。
ollama run gemma4:31b
Q4 VRAM
18 GB
Q8 量化下为 33 GB
7
🇨🇳 Qwen 3 VL 8B
Qwen 3 的 8B 稠密视觉模型。Qwen 第三代中最佳的小型 VLM。
排名原因
原生支持图像输入。80 亿参数，分析效果不错。
ollama run qwen3-vl:8b
Q4 VRAM
6 GB
Q8 量化时为 10 GB
对比表
| 名次 | 模型 | Params | Q4 VRAM | 上下文 | 许可证 |
|---|---|---|---|---|---|
| #1 | Qwen 3 VL 30B-A3B | 30B | 19 GB | 262 144 | Apache 2.0 |
| #2 | Gemma 4 26B-A4B MoE | 26B | 16 GB | 128 000 | Apache 2.0 |
| #3 | LLaDA 2.0 Uni 16B | 16B | 18 GB | 8 192 | Apache 2.0 |
| #4 | Qwen 3.6 27B | 27B | 16 GB | 262 144 | Apache 2.0 |
| #5 | Qwen 3.8 27B | 27B | 16 GB | 262 144 | Apache 2.0 |
| #6 | Gemma 4 31B | 31B | 18 GB | 256 000 | Apache 2.0 |
| #7 | Qwen 3 VL 8B | 8B | 6 GB | 262 144 | Apache 2.0 |
本地 AI 套件
您已选好视觉模型。本地 AI 套件专门用一整章介绍如何在自己的机器上妥善运行它：一步步在本地结合图像进行对话（第 7 章）。
- 在线空间，终身可用
- PDF + 文件
- 30 天内退款
排名方法论
按“vision”标签筛选。评分偏向较新的模型（VLM 发展非常迅速）和规模较大的模型（能更好地呈现精细细节）。
考虑的标准：
- 图像理解
- OCR / 文本提取
- VQA（图像问答）
- Ollama / llama.cpp 兼容
评分完全透明：请参阅 我们的方法论 ，了解 VRAM/每秒令牌数的计算详情。
常见问题
哪个开源 LLM 最适合分析图像？
Qwen 3 VL 30B-A3B 是我们的 30B 参数 #1 模型。对于轻量级配置，Qwen 2.5 VL 7B 在 8-12 GB VRAM 下运行表现优异。
这些模型可以用于OCR吗？
是的——现代视觉语言模型（VLM）能够识别图像中的文本（如扫描文档、屏幕截图）。对于大规模/工业级OCR需求，DeepSeek OCR专精于此。对于手写法语文本，建议使用Qwen 2.5 VL，其对法语的处理能力较强。
是否需要 Ollama 或 llama.cpp 来支持视觉功能？
两者均支持视觉模型（Llama 3.2 Vision、LLaVA、Qwen VL）。LM Studio 也支持。使用 API 时可通过 -images 或参数 images 在 Ollama 中。
运行一个表现不错的 VLM 需要多少显存？
7B VL 模型（Qwen 2.5 VL 7B）需要 8 GB 显存，11B 模型（Llama 3.2 Vision）需要 12–16 GB，大型 72B 模型需要 40 GB 以上。除了文本模型占用的显存，视觉功能还会额外占用约 1–2 GB VRAM。
一对一比较
通过我们对入围选手的详细对决深入了解：