Qwen-VL OCR

Qwen-VL OCR — модель Alibaba из линейки Qwen, которая превращает картинку документа в текст. Под одним именем лаборатория держит в API стабильную версию и время от времени заменяет её более свежим снимком, то есть зафиксированной версией модели. Первый снимок вышел в октябре 2024 года, следующие — в апреле, августе и ноябре 2025-го. С февраля 2026 года стабильное имя ведёт на ноябрьский снимок, построенный на архитектуре Qwen3-VL.

Универсальные модели Qwen-VL описывают изображение целиком и отвечают на вопросы о нём. Эта настроена на одну задачу: достать из картинки текст. Для этого у неё есть готовые режимы: распознавание с координатами каждого фрагмента, извлечение нужных полей из чеков и справок, перевод таблиц в HTML и формул в LaTeX, разбор документа целиком и простое распознавание. Повёрнутые сканы модель умеет выравнивать сама. В примерах из документации есть русский, английский, китайский, французский, итальянский, португальский, турецкий, иврит и арабский.

Модель берут, чтобы оцифровать сканы, разобрать счета и чеки, вытащить таблицы и формулы из статей и превратить PDF в размеченный текст. В режиме разбора документа она принимает PDF до 50 страниц, в остальных режимах — до 10.

Число пикселей в картинке должно укладываться в заданные пределы. Готовые режимы и выравнивание работают только через собственный набор инструментов Alibaba — DashScope. Если подключаться через OpenAI-совместимый интерфейс, то есть так же, как к моделям OpenAI, этих режимов нет: результата приходится добиваться своими запросами и самому разбирать ответ. Снимки 2024 года и апреля 2025-го лаборатория называет более слабыми и советует переходить на Qwen3.5-OCR. Эта модель построена на Qwen3.5, умеет вести диалог из нескольких сообщений и, по словам компании, лучше извлекает данные из удостоверений личности и водительских прав.

источники:Документация модели в Alibaba Cloud Model Studio ↗Уведомление о переходе на снимок от 20 ноября 2025 года ↗