Модель · Qwen
Qwen3-VL 235B-A22B
Устаревшая открытая модель Qwen для картинок, документов, видео и управления интерфейсами, в 2025 году была флагманом линейки Qwen3-VL
вышла 1 апреля 2025
Характеристики
- Вышла
- 1 апреля 2025
- КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
- 131 тыс. токенов
- Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
- до 32 тыс. токенов
- Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
- $0,70 за миллион токенов
- Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
- $2,80 за миллион токенов
- Понимает
- текст, изображения
- Отвечает
- текст
- РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
- да
- Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
- да
- ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
- открытые
- Знания до
- апрель 2025
- Идентификатор в API
- qwen3-vl-235b-a22b
Что это за модель
Qwen3-VL 235B-A22B — старшая модель линейки Qwen3-VL. Это линейка моделей Alibaba, которые понимают и текст, и изображения. Её веса открыли в сентябре 2025 года в двух вариантах: Instruct отвечает сразу, Thinking сначала рассуждает. Модель устроена как смесь экспертов (mixture of experts): всего в ней 235 млрд параметров, но на каждый токен работают только около 22 млрд. Поэтому она отвечает быстрее, чем плотная модель того же размера.
По сравнению с прежними визуальными моделями Qwen лаборатория переделала работу с картинками и видео. Новая схема кодирования позиций (Interleaved-MRoPE) учитывает сразу время, высоту и ширину кадра. Приём DeepStack объединяет признаки с разных слоёв визуального кодировщика. Ещё модель привязывает текст к меткам времени, так что может указать, в какой момент видео что-то произошло. По замерам лаборатории, вариант Instruct на основных визуальных бенчмарках не уступает Gemini 2.5 Pro, а вариант Thinking обходит её в задачах по математике с картинками, например в MathVision.
Модель берут, чтобы разбирать сканы и документы: распознавание текста работает на 32 языках. Она также понимает длинные видео, отвечает на вопросы о расположении предметов в пространстве и пишет код интерфейса по скриншоту. Ещё она умеет работать визуальным агентом: находит кнопки на экране компьютера или телефона, понимает, что они делают, и доводит задачу до конца. Компания заявляет о лучшем результате среди моделей в бенчмарке OSWorld, где проверяют управление компьютером.
Веса выложены под лицензией Apache 2.0, она разрешает и коммерческое использование. Но модель весит около 470 ГБ, и для запуска нужен сервер с несколькими мощными видеокартами. С тех пор у Qwen вышло много более новых моделей, включая линейки Qwen3.5 и Qwen3.6, которые понимают изображения изначально. Поэтому для новых проектов эту модель стоит сравнить с ними.
Источники: Анонс Qwen3-VL в блоге Qwen, Репозиторий Qwen3-VL на GitHub, Карточка модели на Hugging Face
Другие модели семейства
-
Qwen3.8 Flash
Qwenконтекст 1 млн$0,15 / $0,47рассуждения
-
-
-
-
-
-
-
Новости о модели
- 01
- 02
- 03
- 04
- 05
- 06
Данные: models.dev (MIT).