基本介紹
- 外文名：Qwen3-VL-235B
核心技術,運營模式,重要事件,
核心技術
Qwen3-VL-235B通過多項架構創新構建了其核心技術優勢，主要包括交錯MRoPE、DeepStack技術和文本-時間戳對齊機制三大關鍵技術，並提供了從邊緣到雲端可擴展的Dense（密集）和MoE（混合專家）兩種架構版本以及高效的量化壓縮方案。
交錯MRoPE（Interleaved-MRoPE）是一種位置編碼技術，它將時間、高度和寬度信息交錯分布於全頻率維度。相較於原始MRoPE將時間信息全部分布在高頻維度的做法，這種交錯分布的形式能夠實現對時間、空間維度的全頻率信息捕捉，從而在保持圖片理解能力的同時，提升模型對長視頻的理解與推理能力。
DeepStack技術旨在實現更精細化的視覺理解，其核心思想是將以往多模態大模型單層輸入視覺tokens的範式，改為在大型語言模型（LLM）的多層中進行注入。該技術通過融合視覺Transformer（ViT）的多層次特徵，提升了模型的視覺細節捕捉能力與圖文對齊精度。
文本-時間戳對齊機制是對傳統視頻時序建模機制T-RoPE的升級。該機制採用“時間戳-視頻幀”交錯的輸入形式，實現幀級別的時間信息與視覺內容的細粒度對齊，從而超越傳統的T-RoPE編碼，實現了對視頻事件的精準時序定位。模型原生支持“秒數”與“時:分:秒”（HMS）兩種時間輸出格式。
Qwen3-VL系列提供從邊緣到雲端可擴展的Dense和MoE兩種架構，以實現靈活的按需部署。其中，旗艦版Qwen3-VL-235B-A22B為混合專家（MoE）模型。
模型支持多種量化方法以降低部署門檻，其中FP8（8位浮點）量化技術尤為關鍵。採用細粒度FP8量化方法（塊大小為128），能在將模型存儲和計算需求降低約50%的同時，保持與原版BF16模型近乎一致的性能。此外，模型也支持INT8、INT4等量化方案。
運營模式
Qwen3-VL系列模型在Apache 2.0開源協定下發布，開發者可通過GitHub、Hugging Face、魔搭（ModelScope）等平台獲取模型權重。該系列提供了適用於多種場景的模型，包括採用混合專家（MoE）架構的雲端較大規模版本Qwen3-VL-235B-A22B、中等規模版Qwen3-VL-30B-A3B，以及面向邊緣設備部署的輕量級Dense模型Qwen3-VL-8B、Qwen3-VL-4B，每個規模通常包含Instruct（指令）與Thinking（思維）兩個版本。模型支持通過vLLM、SGLang等高性能推理框架進行部署。
完整版Qwen3-VL-235B模型對硬體要求較高，通常需要高端多卡GPU集群。通過量化技術可顯著降低顯存占用，或直接使用輕量級版本，使得模型可在消費級GPU上運行。
該系列模型提供線上體驗功能與API調用服務。
重要事件
2025年9月24日，在2025雲棲大會上，阿里正式發布並開源了旗艦視覺語言模型Qwen3-VL-235B-A22B，包含Instruct與Thinking兩個版本。該模型在涵蓋視覺感知、多模態推理等32項核心能力測評中，其Instruct版本超越了Gemini 2.5 Pro和GPT-5等閉源模型，刷新了開源多模態模型的最佳成績。
在視覺代理能力方面，Qwen3-VL-235B在OS World基準測試中操作準確率達到92.3%。在長視頻理解方面，其在“視頻大海撈針”實驗中，對2小時視頻的關鍵事件檢索準確率達99.5%。
2025年11月27日，團隊發布了Qwen3-VL-235B-A22B-Instruct-FP8等量化版本，通過FP8量化技術顯著降低了模型部署的顯存門檻。
