Qwen3 VL 235B A22B Instruct

Qwen3-VL-235B-A22B Instruct 是一个开放权重的多模态模型，将强大的文本生成与跨图像和视频的视觉理解统一起来。Instruct 模型面向通用视觉语言应用（VQA、文档解析、图表/表格提取、多语言OCR）。该系列强调稳健的感知（识别多样化的真实世界和合成类别）、空间理解（2D/3D定位）和长形式视觉理解，在公共多模态基准的感知和推理方面均取得有竞争力的结果。

除分析外，Qwen3-VL 还支持智能体交互和工具使用：它能在多图像、多轮对话中遵循复杂指令；将文本与视频时间线对齐，以实现精确的时间查询；并能操作 GUI 元素以完成自动化任务。这些模型还支持视觉编码工作流——将草图或原型转化为代码并协助 UI 调试——同时保持强大的纯文本性能，可与旗舰 Qwen3 语言模型相媲美。这使得 Qwen3-VL 适用于生产场景，涵盖文档AI、多语言OCR、软件/UI辅助、空间/具身任务以及视觉语言智能体研究。