Alibaba выпустила Qwen3-VL — открытую языково-визуальную модель, которая работает с изображениями и текстом. Главная версия Qwen3-VL-235B-A22B представлена в двух вариантах: Instruct, которая, по информации Alibaba, показывает результаты лучше Google Gemini 2.5 Pro на ключевых визуальных тестах, и Thinking — с высокими оценками по задачам мультимодального рассуждения. Подробные результаты тестов доступны в техническом блоге Alibaba.
Qwen3-VL может взаимодействовать с графическими интерфейсами, создавать код по скриншотам, анализировать видео до двух часов и распознавать текст на 32 языках, даже при низком качестве изображений. Модель понимает двумерное и трёхмерное пространство и справляется с задачами по математике и науке.
В демонстрационном видео Qwen3-VL агент самостоятельно обрабатывает изображения.
Модель доступна на платформах Hugging Face, ModelScope и Alibaba Cloud. Открытый чат — на chat.qwen.ai.
