模型介绍
中文整理Qwen3-VL-235B-A22B-Thinking
模型用途
Qwen3-VL-235B-A22B-Thinking 是 Qwen 系列中目前最强大的视觉语言模型，采用 Dense 和 MoE 架构，支持从边缘设备到云端的灵活部署，包含 Instruct 和推理增强的 Thinking 版本。
主要能力
视觉代理：可操作电脑/手机图形界面，识别界面元素，理解功能，调用工具，完成任务。
视觉编码提升：可根据图像或视频生成 Draw.io/HTML/CSS/JS 代码。
高级空间感知：判断物体位置、视角和遮挡，提供更强的 2D grounding 能力，支持 3D grounding 用于空间推理和具身智能。
长上下文与视频理解：原生支持 256K 上下文，可扩展至 1M；可处理书籍和长达数小时的视频，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、有据可依的回答。
升级的视觉识别：更广泛、更高质量的预训练使其能够"识别万物"，包括名人、动漫、产品、地标、植物和动物等。
扩展的 OCR：支持 32 种语言（从 19 种增加），在低光、模糊和倾斜环境下表现稳健，对稀有字符、古老字符和专业术语识别能力更强，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、统一的文本-视觉融合。
模型架构更新
Interleaved-MRoPE：通过稳健的位置嵌入，在时间、宽度和高度上进行全频率分配，增强长时序视频推理能力。
DeepStack：融合多层 ViT 特征，捕捉细粒度细节，提升图像-文本对齐精度。
Text-Timestamp Alignment：超越 T-RoPE，实现精确的基于时间戳的事件定位，增强视频时序建模能力。
输入输出
输入：支持图像、视频和文本的交错输入，可处理长文档和长视频。
输出：文本回复，可生成代码、进行推理分析、提供视觉描述等。
运行要求
模型权重仓库发布，需使用支持 Qwen3-VL 的推理框架进行部署。
基本用法
通过 ModelScope 或 Transformers 库加载模型并使用。具体使用方法请参考官方文档。
限制
模型生成内容可能包含错误信息，使用时需自行验证。
许可证相关信息
如需引用本工作，请参考官方提供的引用格式。
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。