Qwen: Qwen3 VL 235B A22B Instruct

Qwen3-VL-235B-A22B Instruct — это открытая мультимодальная модель, которая объединяет мощную генерацию текста с визуальным пониманием изображений и видео. Модель Instruct предназначена для общего использования в области зрения и языка, включая ответы на визуальные вопросы (VQA), анализ документов, извлечение данных из диаграмм/таблиц и многоязычное оптическое распознавание символов (OCR). Серия делает акцент на надежном восприятии (распознавание разнообразных реальных и синтетических категорий), пространственном понимании (2D/3D привязка) и долгосрочном визуальном осмыслении, достигая конкурентоспособных результатов в публичных мультимодальных бенчмарках как для восприятия, так и для рассуждений. Помимо анализа, Qwen3-VL поддерживает агентное взаимодействие и использование инструментов: она может следовать сложным инструкциям в многоизобразительных, многоходовых диалогах; сопоставлять текст с временными шкалами видео для точных временных запросов; и управлять элементами графического интерфейса для задач автоматизации. Модели также позволяют использовать рабочие процессы визуального кодирования — превращать эскизы или макеты в код и помогать в отладке пользовательского интерфейса — при этом сохраняя высокую производительность только для текста, сравнимую с флагманскими языковыми моделями Qwen3. Это делает Qwen3-VL подходящей для производственных сценариев, охватывающих ИИ для документов, многоязычный OCR, помощь в разработке программного обеспечения/интерфейса, пространственные/воплощенные задачи и исследования в области агентов зрения и языка. Ключевые характеристики включают окно контекста в 262K токенов и максимальный вывод в 4K токенов. Он поддерживает возможности зрения, функций, кода и потоковой передачи. Ценообразование конкурентоспособно: $0.20/1.20 за 1 миллион токенов (ввод/вывод), доступно на уровне доступа PRO.