Deskripsi
Qwen3-VL adalah seri model bahasa-visual yang dibangun oleh tim Qwen di Alibaba Cloud, diposisikan sebagai model bahasa-visual paling mampu yang telah dirilis oleh tim hingga saat ini. Model ini hadir dalam arsitektur Dense dan Mixture-of-Experts, dengan ukuran dari 2 miliar hingga 235 miliar (dengan 22 miliar aktif) parameter, dan setiap ukuran dikirim dalam dua edisi: Instruct, untuk respons langsung, dan Thinking, yang disesuaikan untuk penalaran langkah-demi-langkah.
Baca Selengkapnya
Model ini menargetkan beberapa kemampuan spesifik di luar deskripsi gambar umum. Mode agen visual membaca layar komputer atau ponsel, mengenali elemen antarmuka, dan dapat memanggil alat untuk menyelesaikan tugas, yang ditujukan untuk otomatisasi GUI. Fitur pengkodean visual menghasilkan diagram Draw.io, HTML, CSS, atau JavaScript langsung dari gambar atau video, berguna untuk mengubah tangkapan layar atau mockup desain menjadi markup yang berfungsi. Persepsi spasial mencakup baik pengukuran 2D, menemukan dan mendeskripsikan objek dalam sebuah adegan, maupun pengukuran 3D untuk tugas seperti AI yang terwujud atau penalaran robotika, di mana penilaian posisi, sudut pandang, dan penghalang sangat penting.
Untuk konten panjang, Qwen3-VL mendukung jendela konteks asli 256K-token yang dapat diperluas hingga 1M, dengan apa yang dijelaskan tim sebagai pengindeksan tingkat kedua untuk video berdurasi satu jam, yang berarti dapat mengingat dan merujuk momen spesifik daripada hanya merangkum. Cakupan OCR mencakup 32 bahasa, dengan klaim ketahanan terhadap cahaya rendah, kabur, dan teks miring, serta penanganan yang lebih baik terhadap karakter langka atau kuno dan dokumen panjang yang terstruktur. Pemahaman teks saja dibangun untuk menyamai LLM teks khusus, sehingga model ini tidak mengorbankan kinerja teks murni untuk kemampuan visualnya, dan tim melaporkan penalaran multimodal yang lebih kuat pada tugas STEM dan matematika yang memerlukan jawaban berbasis bukti dan kausal.
Di bawahnya, arsitektur memperkenalkan Interleaved-MRoPE untuk embedding posisi di sepanjang waktu, lebar, dan tinggi, yang berguna untuk penalaran video panjang, DeepStack untuk menggabungkan fitur transformer visi multi-level menjadi penyelarasan gambar-teks yang lebih tajam, dan mekanisme penyelarasan teks-timestamp untuk lokalisasi peristiwa yang lebih tepat dalam video.
Qwen3-VL tersedia melalui Hugging Face, ModelScope, demo interaktif Space, Qwen Chat untuk penggunaan langsung, dan API yang dihosting melalui Model Studio Alibaba Cloud, sehingga dapat digunakan tanpa mengunduh bobot. Model ini dirilis di bawah lisensi Apache 2.0, menjadikannya dapat digunakan dalam proyek komersial. Rentang ukuran dan fitur agen visual serta OCR membuatnya cocok untuk pengembang yang membangun aplikasi multimodal, dari pemrosesan dokumen hingga agen yang didorong GUI.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanCloud
- PlatformWeb
Fitur Inti Qwen3-VL
Kemampuan agen visual yang membaca GUI PC dan mobile, mengenali elemen, dan memanggil alat untuk menyelesaikan tugas
Menghasilkan diagram Draw.io, HTML, CSS, dan kode JS langsung dari gambar atau video
Pengukuran spasial 2D dan 3D untuk menilai posisi objek, sudut pandang, dan penghalang
Konteks asli 256K-token, dapat diperluas hingga 1M, dengan pengindeksan tingkat kedua untuk video berdurasi satu jam
OCR di 32 bahasa, disesuaikan untuk cahaya rendah, kabur, miring, dan karakter langka atau kuno
Pengakuan visual yang lebih luas mencakup selebriti, karakter anime, produk, landmark, serta flora dan fauna
Dirilis dalam ukuran Dense dan Mixture-of-Experts dari 2B hingga 235B-A22B parameter
Edisi terpisah Instruct dan Thinking (diperkuat penalaran) untuk setiap ukuran
Memulai dengan Qwen3-VL
Obrolan secara online: Coba Qwen3-VL melalui Qwen Chat atau demo Space Hugging Face
Pilih ukuran: Pilih model dari 2B hingga 235B-A22B berdasarkan kebutuhan perangkat keras dan latensi Anda
Pilih edisi: Gunakan Instruct untuk jawaban langsung atau Thinking untuk penalaran langkah-demi-langkah
Unduh bobot: Dapatkan model dari Hugging Face atau ModelScope untuk hosting sendiri
Atau panggil API yang dihosting: Gunakan API Model Studio Alibaba Cloud sebagai pengganti hosting sendiri
Ikuti buku masak: Gunakan buku masak yang diterbitkan untuk alur kerja agen GUI, OCR, atau video
Kasus Penggunaan Qwen3-VL
- Otomatisasi agen GUI
- OCR dokumen dan adegan
- Generasi gambar-ke-kode
- Pemahaman video panjang
