Qwen: Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B Thinking es un modelo multimodal de vanguardia diseñado para el razonamiento avanzado, particularmente en STEM y matemáticas. Integra sin problemas una sólida generación de texto con capacidades sofisticadas de comprensión visual, procesando tanto imágenes como videos. Este modelo está optimizado para el razonamiento multimodal, demostrando resultados competitivos en benchmarks públicos para la percepción y el razonamiento, incluyendo el reconocimiento robusto de diversas categorías del mundo real y sintéticas, la comprensión espacial (fundamentación 2D/3D) y la comprensión visual a largo plazo. Más allá de las tareas analíticas, Qwen3-VL admite la interacción agéntica y el uso de herramientas. Puede seguir instrucciones complejas en diálogos multi-imagen y multi-turno, alinear texto con líneas de tiempo de video para consultas temporales precisas y operar elementos de GUI para tareas de automatización. El modelo también facilita los flujos de trabajo de codificación visual, convirtiendo bocetos o maquetas en código y ayudando con la depuración de la interfaz de usuario. Mantiene un sólido rendimiento solo de texto comparable a los modelos de lenguaje insignia Qwen3, lo que lo hace adecuado para escenarios de producción que abarcan IA de documentos, OCR multilingüe, asistencia de software/UI, tareas espaciales/corporales e investigación sobre agentes de visión-lenguaje. Las especificaciones clave incluyen una gran ventana de contexto de 262K tokens y una salida máxima de 4K tokens. Ofrece capacidades como visión, funciones, código y streaming. El precio es competitivo a $0.45 por 1M de tokens de entrada y $3.50 por 1M de tokens de salida. El acceso está disponible bajo el nivel PRO.