Qwen: Qwen3 VL 235B A22B Thinking

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

Помимо анализа, Qwen3-VL поддерживает агентное взаимодействие и использование инструментов: она может следовать сложным инструкциям в диалогах с несколькими изображениями и множеством ходов; выравнивать текст с видеотаймлайнами для точных временных запросов; а также управлять элементами графического интерфейса для задач автоматизации. Модели также позволяют реализовывать визуальные кодирующие рабочие процессы, превращая эскизы или макеты в код и помогая в отладке пользовательского интерфейса, при этом сохраняя сильные результаты в режиме только текста, сравнимые с флагманскими языковыми моделями Qwen3. Это делает Qwen3-VL подходящей для производственных сценариев, охватывающих документный ИИ, многоязычное OCR, помощь в программном обеспечении/интерфейсе, пространственные/воплощённые задачи и исследования агентов визуально‑языкового типа.