Краткое содержание

Qwen3-VL-235B-A22B — мультимодальная модель, объединяющая мощную генерацию текста с визуальным пониманием изображений и видеоматериалов. Модель оптимизирована для решения мультимодальных задач в области естественных наук, технологий, инженерии и математики (STEM). Серия моделей отличается высокой устойчивостью восприятия (распознавание различных реальных и синтетических категорий объектов), пространственным пониманием (привязка к двумерному и трехмерному окружению) и глубоким долгосрочным визуальным восприятием, демонстрируя конкурентоспособные результаты на открытых мультимодальных бенчмарках как по части восприятия, так и рассуждений. Помимо аналитических возможностей, Qwen3-VL поддерживает агентное взаимодействие и использование инструментов: она способна следовать сложным инструкциям в диалогах с несколькими изображениями и множественными этапами взаимодействия; сопоставлять текст с временными метками видео для точного поиска событий во времени; управлять элементами графического интерфейса для автоматизации задач. Модели также позволяют использовать визуальные рабочие процессы кодирования, преобразуя эскизы или макеты в исходный код и помогая отлаживать интерфейсные элементы, при этом поддерживая высокий уровень производительности исключительно на основе текста, сравнимый с флагманскими языковыми моделями серии Qwen3. Это делает Qwen3-VL подходящей для производственных сценариев.