الوصف
Qwen3-VL هو سلسلة من نماذج اللغة والرؤية التي أنشأها فريق Qwen في Alibaba Cloud، ويعتبر الأكثر قدرة بين نماذج اللغة والرؤية التي أطلقها الفريق حتى الآن. يأتي في كل من بنية Dense وMixture-of-Experts، بأحجام تتراوح من 2 مليار إلى 235 مليار (مع 22 مليار نشطة) من المعلمات، وكل حجم يأتي في إصدارين: Instruct، للردود المباشرة، وThinking، المعدل للتفكير خطوة بخطوة.
قراءة المزيد
يستهدف النموذج عدة قدرات محددة تتجاوز الوصف العام للصورة. وضع الوكيل البصري يقرأ شاشة الكمبيوتر أو الهاتف، ويتعرف على عناصر الواجهة، ويمكنه استدعاء الأدوات لإكمال مهمة، مما يهدف إلى أتمتة واجهة المستخدم. ميزة الترميز البصري تولد مخططات Draw.io، وHTML، وCSS، أو JavaScript مباشرة من صورة أو فيديو، مما يكون مفيدًا لتحويل لقطة شاشة أو نموذج تصميم إلى تعليمات برمجية قابلة للعمل. تغطي الإدراك المكاني كل من التأسيس ثنائي الأبعاد، وتحديد ووصف الكائنات في مشهد، والتأسيس ثلاثي الأبعاد لمهام مثل الذكاء الاصطناعي المجسد أو التفكير في الروبوتات، حيث تكون تقييم الموقع، ووجهة النظر، والاحتجاب مهمة.
بالنسبة للمحتوى الطويل، يدعم Qwen3-VL نافذة سياق أصلية بحجم 256K توكن يمكن توسيعها إلى 1M، مع ما يصفه الفريق بأنه فهرسة من المستوى الثاني للفيديو الذي يمتد لساعات، مما يعني أنه يمكنه استرجاع والإشارة إلى لحظات محددة بدلاً من مجرد تلخيص. يمتد تغطية التعرف الضوئي على الحروف إلى 32 لغة، مع ادعاء القوة في الإضاءة المنخفضة، والضباب، والنص المائل، إلى جانب معالجة أفضل للشخصيات النادرة أو القديمة والمستندات الطويلة والمهيكلة. تم بناء فهم النصوص فقط ليتناسب مع نماذج اللغة المخصصة للنصوص، لذا لا يتنازل النموذج عن أداء النص الخالص من أجل قدراته البصرية، ويبلغ الفريق عن قوة أكبر في التفكير متعدد الوسائط في مهام STEM والرياضيات التي تتطلب إجابات قائمة على الأدلة.
تحت السطح، يقدم الهيكل Interleaved-MRoPE لتضمين المواقع عبر الزمن والعرض والارتفاع، مما يساعد في التفكير في الفيديو الطويل، وDeepStack لدمج ميزات محول الرؤية متعددة المستويات في محاذاة أكثر حدة بين الصورة والنص، وآلية محاذاة النص مع الطوابع الزمنية لمزيد من تحديد الأحداث بدقة في الفيديو.
يتوفر Qwen3-VL من خلال Hugging Face، وModelScope، ومساحة عرض تفاعلية، وQwen Chat للاستخدام المباشر، وواجهة برمجة التطبيقات المستضافة من خلال Model Studio في Alibaba Cloud، بحيث يمكن استخدامه دون الحاجة إلى تنزيل الأوزان. تم إصداره بموجب ترخيص Apache 2.0، مما يجعله قابلاً للاستخدام في المشاريع التجارية. تجعل مجموعة الأحجام وميزات الوكيل البصري والتعرف الضوئي على الحروف منه مناسبًا للمطورين الذين يبنون تطبيقات متعددة الوسائط، من معالجة المستندات إلى الوكلاء المدفوعين بواجهة المستخدم.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي
- المنصاتالويب
الميزات الأساسية لـ Qwen3-VL
قدرة الوكيل البصري التي تقرأ واجهات المستخدم على الكمبيوتر والهاتف المحمول، وتتعرف على العناصر، وتستدعي الأدوات لإكمال المهام
توليد مخططات Draw.io، وHTML، وCSS، وJS مباشرة من الصور أو الفيديو
تأسيس مكاني ثنائي وثلاثي الأبعاد لتقييم موقع الكائن، ووجهة النظر، والاحتجاب
نافذة سياق أصلية بحجم 256K توكن، قابلة للتوسع إلى 1M، مع فهرسة من المستوى الثاني للفيديو الذي يمتد لساعات
التعرف الضوئي على الحروف عبر 32 لغة، معدلة للإضاءة المنخفضة، والضباب، والميل، والشخصيات النادرة أو القديمة
تغطية أوسع للتعرف البصري تشمل المشاهير، وشخصيات الأنمي، والمنتجات، والمعالم، والنباتات والحيوانات
تم إصداره بأحجام Dense وMixture-of-Experts تتراوح من 2B إلى 235B-A22B من المعلمات
إصدارات منفصلة من Instruct وThinking (معززة بالتفكير) لكل حجم
البدء مع Qwen3-VL
الدردشة معه عبر الإنترنت: جرب Qwen3-VL من خلال Qwen Chat أو مساحة العرض في Hugging Face
اختر حجمًا: اختر نموذجًا من 2B إلى 235B-A22B بناءً على احتياجات الأجهزة والكمون لديك
اختر إصدارًا: استخدم Instruct للحصول على إجابات مباشرة أو Thinking للتفكير خطوة بخطوة
تنزيل الأوزان: احصل على النموذج من Hugging Face أو ModelScope لاستضافته بنفسك
أو اتصل بواجهة برمجة التطبيقات المستضافة: استخدم واجهة برمجة التطبيقات في Model Studio من Alibaba Cloud بدلاً من الاستضافة الذاتية
اتبع كتب الطهي: استخدم كتب الطهي المنشورة لعمليات الوكيل البصري، أو التعرف الضوئي على الحروف، أو سير العمل الموجهة بالفيديو
حالات استخدام Qwen3-VL
- أتمتة وكيل واجهة المستخدم
- التعرف الضوئي على الحروف للمستندات والمشاهد
- توليد التعليمات البرمجية من الصورة
- فهم الفيديو الطويل
