Qwen: Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B Thinking est un modèle multimodal de pointe conçu pour le raisonnement avancé, en particulier dans les domaines STEM et des mathématiques. Il intègre de manière transparente une génération de texte robuste avec des capacités sophistiquées de compréhension visuelle, traitant à la fois les images et les vidéos. Ce modèle est optimisé pour le raisonnement multimodal, démontrant des résultats compétitifs sur les benchmarks publics pour la perception et le raisonnement, y compris une reconnaissance robuste de diverses catégories réelles et synthétiques, une compréhension spatiale (ancrage 2D/3D) et une compréhension visuelle à long terme. Au-delà des tâches analytiques, Qwen3-VL prend en charge l'interaction agentique et l'utilisation d'outils. Il peut suivre des instructions complexes dans des dialogues multi-images et multi-tours, aligner le texte sur les chronologies vidéo pour des requêtes temporelles précises et faire fonctionner des éléments d'interface graphique pour des tâches d'automatisation. Le modèle facilite également les flux de travail de codage visuel, transformant des croquis ou des maquettes en code et aidant au débogage de l'interface utilisateur. Il maintient des performances textuelles solides comparables aux modèles de langage Qwen3 phares, ce qui le rend adapté aux scénarios de production tels que l'IA documentaire, l'OCR multilingue, l'assistance logicielle/UI, les tâches spatiales/incarnées et la recherche sur les agents vision-langage. Les spécifications clés incluent une grande fenêtre contextuelle de 262K tokens et une sortie maximale de 4K tokens. Il offre des capacités telles que la vision, les fonctions, le code et le streaming. Le prix est compétitif à 0,45 $ par million de tokens d'entrée et 3,50 $ par million de tokens de sortie. L'accès est disponible via le niveau PRO.