Qwen3-VL 发布，迄今为止 Qwen 系列中最强大的视觉语言模型
阿里通义 Qwen 团队正式推出全新升级的 Qwen3-VL 系列，并称这是迄今为止 Qwen 系列中最强大的视觉语言模型。 据介绍，这一代模型在多个维度实现了全面跃升： 无论是纯文本理解与生成，还是视觉内容的感知与推理； 无论是上下文长度的支持能力，还是对空间关系、动态视频的理解深度； 乃至在与 Agent 交互中的表现，Qwen3-VL 都展现出显著进步。 最新开源的是该系列的旗舰模型 —— Qwen3-VL-235B-A22B，同时包含 Instruct 与 Thinking 两个版本。其中，Instruct 版本在多项主流视觉感知评测中，性能达到甚至超过 Gemini 2.5 Pro；而 Thinking 版本更是在众多多模态推理的评测基准下取得了 SOTA 的表现。 Qwen3-VL 的目标是让模型不仅能“看到”图像或视频，更能真正看懂世界、理解事件、做出行动。整体架构如下： Qwen3-VL 核心亮点： 视觉智能体（Visual Agent）：Qwen3-VL 能操作电脑和手机界面、识别 GUI 元素、理解按钮功能、调用工具、执行任务，在 OS World 等 benchm...
