Qwen3-VL

El modelo tiene como objetivo varias capacidades específicas más allá de la descripción general de imágenes. Un modo de agente visual lee la pantalla de una computadora o teléfono, reconoce elementos de la interfaz y puede invocar herramientas para completar una tarea, orientado a la automatización de GUI. Una función de codificación visual genera diagramas de Draw.io, HTML, CSS o JavaScript directamente desde una imagen o video, útil para convertir una captura de pantalla o un prototipo de diseño en un marcado funcional. La percepción espacial cubre tanto la anclaje 2D, localizando y describiendo objetos en una escena, como el anclaje 3D para tareas como IA encarnada o razonamiento en robótica, donde juzgar la posición, el punto de vista y la oclusión es importante.

Para contenido de formato largo, Qwen3-VL admite una ventana de contexto nativa de 256K tokens que se puede expandir a 1M, con lo que el equipo describe como indexación de segundo nivel para videos de una hora, lo que significa que puede recordar y referenciar momentos específicos en lugar de solo resumir. La cobertura de OCR se extiende a 32 idiomas, con una robustez afirmada ante poca luz, desenfoque y texto inclinado, junto con un mejor manejo de caracteres raros o antiguos y documentos largos y estructurados. La comprensión solo de texto está diseñada para igualar a los LLM de texto dedicados, por lo que el modelo no sacrifica el rendimiento en texto puro por sus capacidades visuales, y el equipo informa un razonamiento multimodal más fuerte en tareas de STEM y matemáticas que requieren respuestas causales y basadas en evidencia.

Por debajo, la arquitectura introduce Interleaved-MRoPE para incrustaciones posicionales a través del tiempo, ancho y altura, útil para razonamiento en videos largos, DeepStack para fusionar características de transformadores de visión de múltiples niveles en una alineación más nítida de imagen-texto, y un mecanismo de alineación de texto y marca de tiempo para una localización de eventos más precisa en video.

Qwen3-VL está disponible a través de Hugging Face, ModelScope, un espacio de demostración interactivo, Qwen Chat para uso directo, y una API alojada a través del Model Studio de Alibaba Cloud, por lo que se puede utilizar sin descargar pesos. Se lanza bajo la licencia Apache 2.0, lo que lo hace utilizable en proyectos comerciales. La variedad de tamaños y las características de agente visual y OCR lo hacen adecuado para desarrolladores que construyen aplicaciones multimodales, desde procesamiento de documentos hasta agentes impulsados por GUI.