Qwen3-VL Plus

Qwen3-VL Plus — закрытая модель из линейки Qwen3-VL. Alibaba открывает к ней доступ только через API своей облачной платформы Model Studio. Модели этой линейки работают со зрением и языком: смотрят на картинки и видео и отвечают текстом. Qwen представила линейку в сентябре 2025 года и назвала её самой сильной в семействе по работе с изображениями. Открытая часть линейки — модели от 2 до 235 млрд параметров. Часть из них плотные, часть построена как смесь экспертов: так называют схему, где на каждый токен работает только часть сети. У старшей модели, Qwen3-VL-235B-A22B, из 235 млрд параметров на каждый токен задействовано около 22 млрд.

По сравнению с Qwen2.5-VL лаборатория переделала обработку изображений и видео. Приём DeepStack объединяет признаки с нескольких слоёв визуального кодировщика — части сети, которая переводит картинку в понятные языковой модели данные. Поэтому модель лучше замечает мелкие детали. Новая схема кодирования позиций и привязка к меткам времени помогают найти нужный момент в длинном ролике. Распознавание текста на изображениях расширили с 10 до 32 языков, и, по словам лаборатории, модель теперь лучше справляется с тёмными снимками и наклонным текстом. По замерам Qwen, старшая открытая модель линейки в основных тестах на восприятие изображений не уступала Gemini 2.5 Pro или обходила её.

Модель берут, чтобы разбирать скриншоты, сканы, таблицы и видео. По документации Alibaba, она принимает ролик длиной до часа и размером до 2 ГБ. Главный упор лаборатория сделала на визуального агента — режим, в котором модель по снимкам экрана управляет компьютером или телефоном: находит кнопки, вызывает инструменты и доводит задачу до конца. Компания заявляла лучший результат в OSWorld — бенчмарке, где модель выполняет задачи в настоящей операционной системе. Ещё модель пишет код по картинке или видео: HTML, CSS и JavaScript по макету страницы или схему для Draw.io. Она также показывает, где на изображении находятся объекты, в том числе в трёхмерном пространстве.

Plus умеет и рассуждать перед ответом, и отвечать сразу. Рассуждения включаются отдельным параметром в запросе, по умолчанию они выключены. Веса этой версии закрыты, хотя открытые модели линейки выходят по лицензии Apache 2.0, которая разрешает и коммерческое использование. В документации Alibaba модель уже числится среди устаревших. Для новых проектов компания советует линейки Qwen3.5 и Qwen3.6: там с изображениями работают основные модели.

источники:Репозиторий Qwen3-VL на GitHub ↗Документация Alibaba Model Studio о моделях со зрением ↗