Qwen3-VL是阿里巴巴Qwen團隊於2025年9月24日發布的多模態視覺語言模型，與Qwen3Guard安全審查模型、Qwen3-Max文本模型同期推出，為Qwen系列中性能較為突出的開源模型，整體能力接近Gemini 2.5 Pro並在32項核心能力測評中實現超越。2025年10月15日，該系列新增發布基於Dense架構的Qwen3-VL-8B與Qwen3-VL-4B兩款開源模型。
其旗艦版本Qwen3-VL-235B-A22B包含指令（Instruct）與推理（Thinking）兩大版本：前者在視覺感知評測中超過Gemini 2.5 Pro與GPT-5，後者在多模態推理基準測試中達到行業頂尖水平。模型原生支持256K token上下文長度並可擴展至百萬token，能處理數百頁文檔或兩小時視頻內容。該模型已被OpenDataArena平台採用作為多模態數據集質量評測的基準模型。
該模型具備視覺智慧型體操作能力，可在OS World測試平台實現界面元素識別與自動化任務執行，空間感知能力支持物體方位判斷與3D檢測。OCR功能支持32種語言識別，提升了複雜場景下生僻字、古籍字的識別準確率。技術升級包括動態解析度設計、深層視覺特徵融合及視頻時序建模最佳化，實現設計圖轉代碼、視頻幀級分析等套用。模型已套用於國家天文台“金烏”太陽大模型項目和製造業質檢流程最佳化，其中汽車生產線質檢準確率提升至99.2%，並通過阿里雲平台提供API服務，入選Hugging Face開源榜單前十。
基本介紹
- 外文名：Qwen3-VL
- 發布時間：2025年9月24日
發展歷史,產品簡介,核心亮點,
發展歷史
2025年9月24日凌晨，阿里巴巴Qwen團隊接連發布了三款重要模型：Qwen3Guard，安全審查模型；Qwen3-Max，阿里巴巴迄今為止規模最大、能力最強的模型，對標OpenAI的GPT-5-Chat；以及Qwen3-VL，迄今為止Qwen系列中最強大的視覺語言模型。
2025年10月15日，阿里通義宣布Qwen3-VL系列新增兩款開源模型：基於Dense架構的Qwen3-VL-8B與Qwen3-VL-4B正式上線。
2026年1月8日，阿里通義正式發布並開源 Qwen3-VL-Embedding 和 Qwen3-VL-Reranker 模型系列，這兩個模型基於 Qwen3-VL 構建，專為多模態信息檢索與跨模態理解設計，為圖文、視頻等混合內容的理解與檢索提供統一、高效的解決方案。
產品簡介
Qwen3-VL是Qwen系列中迄今為止最強大的視覺語言模型，在純文本理解、視覺內容感知、上下文處理、空間關係乃至視覺智慧型體（Visual Agent）互動等多個維度實現了全面飛躍，旨在讓AI不僅能“看到”世界，更能真正地“理解”世界。
本次率先開源的是該系列旗艦模型Qwen3-VL-235B-A22B，包含Instruct與Thinking兩個版本。其中，Instruct版本在多項主流視覺感知評測中，性能已達到甚至超越Gemini 2.5 Pro；而Thinking版本更是在眾多多模態推理基準測試中取得了行業頂尖（SOTA）的表現。
核心亮點
• 視覺智慧型體能力：Qwen3-VL能夠操作電腦和手機界面，識別GUI元素並理解其功能。它可以通過調用工具來執行複雜任務，在OS World等權威基準測試中達到世界頂尖水平，顯著提升了在細粒度感知任務上的表現。
• 媲美頂級語言模型的純文本能力：得益於在預訓練早期就融合文本與視覺模態進行協同訓練，Qwen3-VL的文本能力持續強化，最終在純文本任務上的表現與Qwen3純文本旗艦模型不相上下，是真正“文本根基紮實、多模態全能”的新一代視覺語言模型。
• 視覺編碼能力大幅提升：實現圖像生成代碼以及視頻生成代碼，例如將設計圖自動轉換為Draw.io或HTML/CSS/JS代碼，邁向“所見即所得”的真正視覺編程。
• 空間感知能力大幅提升：實現從2D到3D的跨越，能夠理解相對坐標、物體方位、遮擋關係，為複雜空間推理和具身智慧型套用奠定基礎。
• 長上下文與長視頻理解：全系列模型原生支持256K token的上下文長度，並可擴展至100萬token。這意味著該模型能夠完整處理數百頁的技術文檔、整本教材乃至長達兩小時的視頻，實現全程記憶和秒級精度的內容定位與檢索。
• 顯著增強的多模態思考與推理能力：專為複雜推理最佳化的Thinking版本，在STEM與數學領域表現突出。面對專業問題，它能捕捉細節、分析因果，給出邏輯嚴謹的答案，在MathVision、MMMU等權威評測中達到領先水平。
• 全面的視覺感知與識別升級：通過最佳化預訓練數據，模型能夠識別更豐富的對象類別，覆蓋名人、動漫角色、商品、地標、動植物等，滿足日常生活與專業領域的“萬物識別”需求。
• OCR能力大幅提升：OCR支持更多語言及複雜場景，支持語言從10種擴展到32種，並能更好地應對模糊、傾斜等複雜實拍場景。對生僻字、古籍字、專業術語的識別準確率也顯著提升。
