Qwen: Qwen3 VL 235B A22B Instruct

Qwen3-VL-235B-A22B Instruct — это мультимодальная модель с открытым весом, которая объединяет четкое создание текста с визуальным пониманием изображений и видео. Модель Instruct ориентирована на общее использование языка видения (VQA, синтаксический анализ документов, извлечение диаграмм/таблиц, многоязычное распознавание текста). В серии особое внимание уделяется надежному восприятию (распознаванию различных категорий реального и синтетического мира), пространственному пониманию (2D/3D) и визуальному пониманию длинных форм, с конкурентоспособными результатами в общедоступных мультимодальных тестах как для восприятия, так и для рассуждения. Помимо анализа, Qwen3-VL поддерживает агентное взаимодействие и использование инструментов: он может следовать сложным инструкциям в многообразных и многоходовых диалогах; выравнивать текст по временной шкале видео для точных временных запросов; и управлять элементами графического интерфейса для задач автоматизации. Модели также позволяют выполнять рабочие процессы визуального кодирования — превращать эскизы или макеты в код и помогать в отладке пользовательского интерфейса — сохраняя при этом высокую производительность только для текста, сравнимую с флагманскими языковыми моделями Qwen3. Это делает Qwen3-VL подходящим для производственных сценариев, охватывающих искусственный интеллект документов, многоязычное распознавание текста, поддержку программного обеспечения/пользовательского интерфейса, пространственные/воплощенные задачи и исследования агентов визуального языка.