Qwen: Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B Thinking — це мультимодальна модель, яка поєднує потужну генерацію тексту з візуальним розумінням зображень і відео. Модель Thinking оптимізована для мультимодальних міркувань у сферах STEM та математики. Серія наголошує на надійному сприйнятті (розпізнавання різноманітних реальних та синтетичних категорій), просторовому розумінні (прив'язка 2D/3D) та довготривалому візуальному розумінні, демонструючи конкурентоспроможні результати на публічних мультимодальних бенчмарках як для сприйняття, так і для міркувань. Окрім аналізу, Qwen3-VL підтримує агентну взаємодію та використання інструментів: вона може виконувати складні інструкції в багатозображувальних, багатоходових діалогах; зіставляти текст з часовими шкалами відео для точних часових запитів; та керувати елементами графічного інтерфейсу користувача (GUI) для завдань автоматизації. Моделі також уможливлюють робочі процеси візуального кодування, перетворюючи ескізи або макети в 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 (OCR), допомогу програмному забезпеченню/інтерфейсу користувача, просторові/втілені завдання та дослідження візіомовних агентів.