Qwen: Qwen3 VL 235B A22B Instruct

Qwen3-VL-235B-A22B Instruct — це відкрита мультимодальна модель, яка поєднує потужну генерацію тексту з візуальним розумінням зображень та відео. Модель Instruct орієнтована на загальне використання зору та мови (VQA, аналіз документів, вилучення діаграм/таблиць, багатомовне оптичне розпізнавання символів). Серія акцентує увагу на надійному сприйнятті (розпізнавання різноманітних реальних та синтетичних категорій), просторовому розумінні (2D/3D позиціонування) та довгостроковому візуальному сприйнятті, демонструючи конкурентні результати на публічних мультимодальних бенчмарках як для сприйняття, так і для міркування. Крім аналізу, Qwen3-VL підтримує агентну взаємодію та використання інструментів: вона може виконувати складні інструкції у багатозображенкових, багатоетапних діалогах; синхронізувати текст з часовими шкалами відео для точних часових запитів; та керувати елементами графічного інтерфейсу для завдань автоматизації. Моделі також дозволяють візуальні робочі процеси кодування — перетворюючи ескізи або макети на код та допомагаючи з налагодженням інтерфейсу користувача — зберігаючи при цьому високу продуктивність лише для тексту, порівнянну з флагманськими мовними моделями Qwen3. Це робить Qwen3-VL придатною для виробничих сценаріїв, що охоплюють ШІ для документів, багатомовне оптичне розпізнавання символів, допомогу в програмному забезпеченні/інтерфейсі, просторові/тілесні завдання та дослідження візуально-мовних агентів.