Qwen3-VL-235B-A22B-Instruct

Qwen3-VL-235B-A22B-Instruct представляет собой флагманскую открытую мультимодальную модель с 236 миллиардами параметров и архитектурой Mixture of Experts (22 миллиарда активных параметров) и нативной длиной контекста 256K (с возможностью расширения до 1M). Мультимодальные возможности модели основаны на трёх ключевых архитектурных инновациях, обеспечивающих передовые мультимодальные возможности. Во-первых, технология Interleaved-MRoPE (Multi-dimensional Rotary Position Embedding) вводит надёжные позиционные эмбеддинги, равномерно распределяющие частотную информацию по трём измерениям — времени, ширине и высоте, что кардинально улучшает понимание длительных видеопоследовательностей и сохраняет временную когерентность даже в часовых роликах. Во-вторых, система DeepStack агрегирует многоуровневые признаки Vision Transformer (ViT), захватывая мельчайшие визуальные детали и значительно повышая точность выравнивания между изображениями и текстом. В-третьих, механизм Text–Timestamp Alignment заменяет устаревший подход T-RoPE, обеспечивая привязку текстовых описаний к конкретным временным меткам с секундной точностью, что резко усиливает способность модели локализовать и интерпретировать события во времени. При этом реализуется продвинутое пространственное восприятие, что позволяет модели оценивать положения объектов, точки обзора и перекрытия, обеспечивая отличные 2D и 3D-привязки. В совокупности эти компоненты реализуют глубокую, бесшовную связку текста и изображений, позволяя модели достигать отличных результатов.

Qwen3-VL-235B-A22B-Instruct предлагает революционные возможности визуального агента, способного управлять графическими интерфейсами ПК и мобильных устройств — распознавать элементы интерфейса, понимать функции кнопок, вызывать инструменты, например она может автоматизировать рутинные задачи заполнения форм. Модель демонстрирует выдающиеся возможности в программировании генерируя код приложений на основе скриншотов, дизайн-макетов и видео демонстраций, что существенно ускоряет прототипирование и разработку пользовательских интерфейсов. Модель поддерживает OCR 32 на 32 языках и превосходно подходит для извлечения текста и анализа структуры сложных многоязычных документов, включая PDF, изображения с низким качеством и документы с нестандартным форматированием, графиками и таблицами.

При этом не стоит забывать, что визуальная надстройка базируется на Qwen/Qwen3-235B-A22B-Instruct-2507 — лучшей открытой модели в серии Qwen3, которая обеспечивает для Qwen3-VL способность не только «видеть», но и глубоко осмысливать, рассуждать и действовать на основе мультимодального ввода.

Дата анонса: 23.09.2025
Параметров: 236B
Экспертов: 128
Активно параметров при инференсе: 22B
Контекст: 263K
Слоев: 94
Тип внимания: Full Attention
Разработчик: Qwen
Версия Transformers: 4.57.0.dev0
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с Qwen3-VL-235B-A22B-Instruct. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.