Qwen3-VL 30B-A3B

Qwen3-VL 30B-A3B — средняя модель линейки Qwen3-VL. Она понимает текст, картинки и видео. Модель устроена как смесь экспертов (mixture of experts): всего в ней около 30 млрд параметров, но на каждый токен (кусочек текста) включаются лишь около 3 млрд. Отсюда A3B в названии, и поэтому она отвечает быстрее и стоит дешевле плотной модели того же размера. Qwen выпустила два варианта: Instruct отвечает сразу, Thinking сначала рассуждает.

Линейка Qwen3-VL сменила Qwen2.5-VL. По словам лаборатории, новые модели лучше понимают видео и то, где стоят предметы в кадре. Они читают текст на 32 языках и легче справляются с тёмными, размытыми или наклонными снимками. Для этого Qwen изменила устройство модели: приём DeepStack объединяет признаки с нескольких слоёв визуального кодировщика (части модели, которая переводит картинку в числа), а к кадрам видео привязаны текстовые метки времени. На выходе компания заявляла, что с 3 млрд активных параметров модель соперничает с GPT-5 mini и Claude Sonnet 4 и часто обходит их в точных науках, распознавании текста, работе с видео и агентных задачах.

Модель берут, чтобы разбирать сканы, таблицы и диаграммы, отвечать на вопросы по фото и роликам, искать нужный момент в длинном видео. Если разворачивать открытые веса самому, контекстное окно — 256 тыс. токенов, и его можно расширить до миллиона. По словам лаборатории, этого хватает на целую книгу или многочасовое видео, но у поставщиков API окно бывает короче. По скриншоту или ролику модель пишет код страницы на HTML, CSS и JavaScript или рисует схему в Draw.io. Ещё Qwen выделяет роль визуального агента: модель находит кнопки и поля на экране компьютера или телефона и вызывает инструменты, чтобы довести задачу до конца.

Веса открыты под лицензией Apache 2.0: модель можно разворачивать без Alibaba, дообучать и встраивать в коммерческие продукты. Есть версия с квантизацией FP8, то есть с пониженной точностью чисел: ей нужно меньше видеопамяти. Сейчас модель устарела. В феврале 2026 года Qwen выпустила линейку Qwen3.5, где зрение встроено в основные модели. По замерам лаборатории, Qwen3.5-35B-A3B с теми же 3 млрд активных параметров обходит модели Qwen3-VL в рассуждениях, программировании, агентных задачах и понимании изображений. В апреле 2026 года её сменила Qwen3.6-35B-A3B того же размера, тоже с открытыми весами.

источники:Карточка модели на Hugging Face ↗Репозиторий Qwen3-VL на GitHub ↗Карточка сменившей её Qwen3.5-35B-A3B ↗