描述
Qwen3-VL 是阿里云 Qwen 团队构建的一系列视觉语言模型，被定位为该团队迄今为止发布的最强大视觉语言模型。它提供密集型和专家混合型架构，参数规模从 20 亿到 2350 亿（活跃参数为 220 亿），每种规模都有两个版本：指令版用于直接响应，思考版则经过调优以进行逐步推理。
阅读更多
该模型的目标是实现多种特定能力，超越一般的图像描述。视觉代理模式能够读取计算机或手机屏幕，识别界面元素，并调用工具完成任务，旨在实现 GUI 自动化。视觉编码功能能够直接从图像或视频生成 Draw.io 图表、HTML、CSS 或 JavaScript，方便将截图或设计草图转化为可用的标记。空间感知涵盖 2D 定位，能够在场景中定位和描述物体，以及 3D 定位，适用于需要判断位置、视角和遮挡的任务，如具身 AI 或机器人推理。
对于长格式内容，Qwen3-VL 支持原生 256K 令牌的上下文窗口，可扩展至 1M，团队称其具有针对长达一小时视频的二级索引，这意味着它可以回忆和引用特定时刻，而不仅仅是总结。OCR 覆盖 32 种语言，声称在低光、模糊和倾斜文本方面具有鲁棒性，同时更好地处理稀有或古老字符以及长结构文档。仅文本理解的性能与专用文本 LLM 相匹配，因此该模型不会为了视觉能力而牺牲纯文本性能，团队报告在需要因果和基于证据的答案的 STEM 和数学任务上具有更强的多模态推理能力。
在架构底层，引入了跨时间、宽度和高度的交错 MRoPE 进行位置嵌入，有助于长视频推理，DeepStack 用于将多层视觉变换器特征融合为更清晰的图像-文本对齐，以及文本-时间戳对齐机制，以便在视频中实现更精确的事件定位。
Qwen3-VL 可通过 Hugging Face、ModelScope、互动演示空间、Qwen Chat 直接使用，以及通过阿里云的 Model Studio 提供的托管 API 使用，因此无需下载权重。它在 Apache 2.0 许可证下发布，可用于商业项目。多种规模以及视觉代理和 OCR 功能使其适合开发者构建多模态应用，从文档处理到 GUI 驱动的代理。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端
- 平台网页版
Qwen3-VL的核心功能
视觉代理能力，能够读取 PC 和移动 GUI，识别元素并调用工具完成任务
直接从图像或视频生成 Draw.io 图表、HTML、CSS 和 JS 代码
2D 和 3D 空间定位，用于判断物体位置、视角和遮挡
原生 256K 令牌上下文，可扩展至 1M，针对长达一小时的视频提供二级索引
支持 32 种语言的 OCR，针对低光、模糊、倾斜和稀有或古老字符进行了调优
更广泛的视觉识别，涵盖名人、动漫角色、产品、地标以及动植物
以密集型和专家混合型规模发布，参数范围从 20B 到 235B-A22B
每种规模都有单独的指令版和思考版（增强推理）
Qwen3-VL入门
在线聊天：通过 Qwen Chat 或 Hugging Face 演示空间尝试 Qwen3-VL
选择规模：根据您的硬件和延迟需求选择 20B 到 235B-A22B 的模型
选择版本：使用指令版获取直接答案，或使用思考版进行逐步推理
下载权重：从 Hugging Face 或 ModelScope 获取模型以进行自托管
或调用托管 API：使用阿里云的 Model Studio API，而不是自托管
遵循食谱：使用发布的食谱进行 GUI 代理、OCR 或视频相关工作流
Qwen3-VL的使用案例
- GUI 代理自动化
- 文档和场景 OCR
- 图像到代码生成
- 长视频理解
