Qwen: Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B Thinking — это мультимодальная модель, которая объединяет мощную генерацию текста с визуальным пониманием изображений и видео. Модель Thinking оптимизирована для мультимодального рассуждения в STEM и математике. Серия делает акцент на надёжном восприятии (распознавание разнообразных реальных и синтетических категорий), пространственном понимании (2D/3D привязка) и долгосрочном визуальном осмыслении, демонстрируя конкурентоспособные результаты в публичных мультимодальных бенчмарках как для восприятия, так и для рассуждения.

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 обеспечивают рабочие процессы визуального кодирования, превращая эскизы или макеты в код и помогая с отладкой 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 Document AI, многоязычный OCR, помощь в разработке программного обеспечения/интерфейса, пространственные/воплощённые задачи и исследования в области визуально-языковых агентов.