模型介绍
中文整理Qwen3-VL-235B-A22B-Instruct
模型用途
Qwen3-VL是Qwen系列中最强大的视觉语言模型，支持图像和视频理解、文本处理、代码生成等任务。
主要能力
视觉智能体：可操作电脑和移动端图形界面，识别界面元素，理解功能并调用工具完成任务。
视觉编程：从图像或视频生成Draw.io图表及HTML/CSS/JS代码。
高级空间感知：判断物体位置、视角和遮挡关系，支持2D grounding和3D空间推理，适用于具身智能场景。
长上下文与视频理解：原生支持256K上下文，可扩展至1M；可处理长篇文档和数小时视频，具备完整记忆和秒级索引能力。
增强的多模态推理：在STEM和数学领域表现出色，提供因果分析和逻辑严谨的答案。
升级的视觉识别：预训练范围更广、质量更高，可识别名人、动漫角色、产品、地标、植物和动物等。
扩展的OCR能力：支持32种语言（原为19种），在低光、模糊、倾斜环境下表现稳健，对罕见字、古文字和专业术语识别能力增强，长文档结构解析能力提升。
文本理解：与纯语言模型相当的文本理解能力，实现无损的文本-视觉融合理解。
架构更新：Interleaved-MRoPE通过稳健的位置嵌入在时间、宽度、高度上进行全频分配，增强长时视频推理；DeepStack融合多层ViT特征，捕捉细粒度细节并强化图像-文本对齐；Text-Timestamp Alignment超越T-RoPE，实现精确的时间戳定位事件。
输入输出
输入：图像、视频、文本
输出：文本回复、代码、图表描述等
运行要求
模型权重文件
基本用法
使用Hugging Face Transformers加载模型进行对话
限制
具体性能数值和限制条件未提供
许可证
具体许可证信息未提供
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。