Мультимодальная модель Qwen3-VL-235B-A22B Thinking объединяет мощную генерацию текста с глубоким пониманием визуального контента на изображениях и в видео. Модель оптимизирована для мультимодального рассуждения в областях STEM (наука, технологии, инженерия и математика) и математики. Серия делает упор на надёжное восприятие (распознавание разнообразных реальных и синтетических объектов), пространственное понимание (2D/3D-привязка) и комплексный анализ больших объёмов визуальной информации, демонстрируя конкурентоспособные результаты на открытых мультимодальных бенчмарках как по задачам восприятия, так и по задачам рассуждения.
Кроме анализа, Qwen3-VL поддерживает агентное взаимодействие и работу с инструментами: она может выполнять сложные инструкции в многоходовых диалогах с несколькими изображениями; синхронизировать текст с временными метками видео для точных временных запросов; и управлять элементами графического интерфейса для автоматизации рутинных задач. Модели также позволяют организовать визуальные рабочие процессы кодирования — превращать эскизы и макеты в код и помогать при отладке пользовательских интерфейсов, при этом сохраняя высокие текстовые возможности на уровне флагманских языковых моделей Qwen3. Это делает Qwen3-VL подходящей для промышленного применения в задачах интеллектуальной обработки документов (Document AI), многоязычного OCR, поддержки разработки ПО и пользовательских интерфейсов, пространственно-воплощённых сценариев, а также исследований агентов на стыке зрения и языка.
