Descrição
Qwen3-VL é uma série de modelos de linguagem-visual construída pela equipe Qwen da Alibaba Cloud, posicionada como o modelo de linguagem-visual mais capaz que a equipe lançou até agora. Ele vem em arquiteturas Dense e Mixture-of-Experts, em tamanhos que variam de 2 bilhões a 235 bilhões (com 22 bilhões ativos) de parâmetros, e cada tamanho é disponibilizado em duas edições: Instruct, para respostas diretas, e Thinking, ajustado para raciocínio passo a passo.
Ler mais
O modelo visa várias capacidades específicas além da descrição geral de imagens. Um modo de agente visual lê a tela de um computador ou telefone, reconhece elementos da interface e pode invocar ferramentas para completar uma tarefa, voltado para automação de GUI. Um recurso de codificação visual gera diagramas Draw.io, HTML, CSS ou JavaScript diretamente de uma imagem ou vídeo, útil para transformar uma captura de tela ou um modelo de design em marcação funcional. A percepção espacial abrange tanto a ancoragem 2D, localizando e descrevendo objetos em uma cena, quanto a ancoragem 3D para tarefas como IA incorporada ou raciocínio em robótica, onde julgar posição, ponto de vista e oclusão é importante.
Para conteúdo de longa duração, o Qwen3-VL suporta uma janela de contexto nativa de 256K tokens que pode ser expandida para 1M, com o que a equipe descreve como indexação de segundo nível para vídeos de uma hora, significando que pode recordar e referenciar momentos específicos em vez de apenas resumir. A cobertura de OCR se estende a 32 idiomas, com robustez alegada para baixa luminosidade, desfoque e texto inclinado, além de melhor manuseio de caracteres raros ou antigos e documentos longos e estruturados. A compreensão apenas de texto é construída para igualar LLMs de texto dedicados, de modo que o modelo não compromete o desempenho de texto puro por suas capacidades visuais, e a equipe relata um raciocínio multimodal mais forte em tarefas de STEM e matemática que exigem respostas causais e baseadas em evidências.
Por baixo, a arquitetura introduz Interleaved-MRoPE para embeddings posicionais ao longo do tempo, largura e altura, útil para raciocínio em vídeos longos, DeepStack para fusão de recursos de transformador de visão em múltiplos níveis em um alinhamento imagem-texto mais nítido, e um mecanismo de alinhamento texto-tempo para uma localização de eventos mais precisa em vídeo.
Qwen3-VL está disponível através do Hugging Face, ModelScope, um espaço de demonstração interativa, Qwen Chat para uso direto, e uma API hospedada através do Model Studio da Alibaba Cloud, para que possa ser usado sem baixar pesos. Ele é lançado sob a licença Apache 2.0, tornando-o utilizável em projetos comerciais. A variedade de tamanhos e os recursos de agente visual e OCR o tornam adequado para desenvolvedores que constroem aplicativos multimodais, desde processamento de documentos até agentes guiados por GUI.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem
- PlataformasWeb
Recursos principais de Qwen3-VL
Capacidade de agente visual que lê GUIs de PC e mobile, reconhece elementos e invoca ferramentas para completar tarefas
Gera diagramas Draw.io, HTML, CSS e código JS diretamente de imagens ou vídeos
Ancoragem espacial 2D e 3D para julgar posição de objetos, ponto de vista e oclusão
Janela de contexto nativa de 256K tokens, expansível para 1M, com indexação de segundo nível para vídeos de uma hora
OCR em 32 idiomas, ajustado para baixa luminosidade, desfoque, inclinação e caracteres raros ou antigos
Reconhecimento visual mais amplo cobrindo celebridades, personagens de anime, produtos, marcos e flora e fauna
Lançado em tamanhos Dense e Mixture-of-Experts de 2B a 235B-A22B parâmetros
Edições separadas Instruct e Thinking (aumentadas para raciocínio) para cada tamanho
Primeiros passos com Qwen3-VL
Converse com ele online: Experimente o Qwen3-VL através do Qwen Chat ou da demonstração do Hugging Face
Escolha um tamanho: Selecione um modelo de 2B até 235B-A22B com base nas suas necessidades de hardware e latência
Escolha uma edição: Use Instruct para respostas diretas ou Thinking para raciocínio passo a passo
Baixe pesos: Obtenha o modelo do Hugging Face ou ModelScope para auto-hospedagem
Ou chame a API hospedada: Use a API do Model Studio da Alibaba Cloud em vez de auto-hospedagem
Siga os livros de receitas: Utilize os livros de receitas publicados para fluxos de trabalho focados em agente GUI, OCR ou vídeo
Casos de uso de Qwen3-VL
- Automação de agente GUI
- OCR de documentos e cenas
- Geração de imagem para código
- Compreensão de vídeos longos
