Qwen: Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B Thinking ist ein hochmodernes multimodales Modell, das für fortgeschrittene Argumentation entwickelt wurde, insbesondere in den Bereichen STEM und Mathematik. Es integriert nahtlos robuste Textgenerierung mit ausgeklügelten visuellen Verständnis-Fähigkeiten, die sowohl Bilder als auch Videos verarbeiten. Dieses Modell ist für multimodale Argumentation optimiert und zeigt wettbewerbsfähige Ergebnisse bei öffentlichen Benchmarks für Wahrnehmung und Argumentation, einschließlich robuster Erkennung verschiedener realer und synthetischer Kategorien, räumlichem Verständnis (2D/3D-Verankerung) und langfristigem visuellem Verständnis. Über analytische Aufgaben hinaus unterstützt Qwen3-VL agentische Interaktion und Werkzeugnutzung. Es kann komplexe Anweisungen in Multi-Bild-, Multi-Turn-Dialogen befolgen, Text an Video-Zeitachsen für präzise zeitliche Abfragen anpassen und GUI-Elemente für Automatisierungsaufgaben bedienen. Das Modell erleichtert auch visuelle Coding-Workflows, indem es Skizzen oder Mockups in Code umwandelt und bei der UI-Fehlerbehebung hilft. Es behält eine starke reine Textleistung bei, vergleichbar mit den Flaggschiff-Sprachmodellen von Qwen3, was es für Produktionsszenarien wie Dokumenten-KI, mehrsprachige OCR, Software-/UI-Assistenz, räumliche/verkörperte Aufgaben und Forschung an Vision-Sprach-Agenten geeignet macht. Zu den wichtigsten Spezifikationen gehören ein großes Kontextfenster von 262K Tokens und eine maximale Ausgabe von 4K Tokens. Es bietet Funktionen wie Vision, Funktionen, Code und Streaming. Die Preisgestaltung ist wettbewerbsfähig mit 0,45 $ pro 1 Mio. Eingabe-Tokens und 3,50 $ pro 1 Mio. Ausgabe-Tokens. Der Zugang ist über den PRO-Tier verfügbar.