Qwen/Qwen3-VL-30B-A3B-Instruct

Qwen3-VL-30B-A3B-Instruct мультимодальную модель серии Qwen3-VL среднего размера, демонстрирующая продвинутые возможности в области понимания изображений, видео и текста. Модель построена на архитектуре Mixture of Experts (MoE) с 30 миллиардами параметров, из которых активно используется лишь 3 миллиарда, что обеспечивает высокую производительность при относительно низких вычислительных затратах. Архитектура включает 48 слоев, 128 экспертов (8 активных), внимание GQA с 32 головами для запросов и 4 для ключей и значений. Ключевым отличием от предыдущих VL версий стали три архитектурных нововведения. Interleaved-MRoPE обеспечивает полную частотную аллокацию по временным, широтным и высотным координатам через усиленные позиционные эмбеддинги, что критически важно для понимания долгосрочных видео последовательностей. Технология DeepStack объединяет многоуровневые признаки Vision Transformer для захвата мелкозернистых деталей и усиления выравнивания изображений с текстом. Система Text-Timestamp Alignment превосходит традиционный T-RoPE, обеспечивая точную привязку событий к временным меткам для усиленного темпорального моделирования видео. Эти архитектурные решения позволяют модели не просто "видеть" изображения или видео, но по-настоящему понимать визуальный мир и его динамику.

Модель способна работать как визуальный агент, распознавая элементы компьютерных и мобильных интерфейсов, понимая их функции, вызывая инструменты и выполняя сложные задачи автоматизации. Расширенные возможности визуального кодирования позволяют генерировать Draw.io диаграммы, HTML, CSS и JavaScript код непосредственно на основе анализа изображений и видео, что открывает новые горизонты для автоматизации веб-разработки. Продвинутое пространственное восприятие включает оценку позиций объектов, точек обзора и окклюзий, обеспечивая более сильное 2D и 3D пространственного понимания сцен. Технические характеристики модели впечатляют: нативная поддержка контекста 256K токенов с возможностью расширения до 1M, что позволяет обрабатывать целые книги и видео продолжительностью в часы с полным запоминанием и индексацией по секундам. Расширенный OCR поддерживает 32 языка, устойчив к низкому освещению, размытию и наклону, лучше работает с редкими и древними символами, а также улучшена обработка структуры длинных документов и извлечение сущностей.

Qwen3-VL-30B-A3B-Instruct открывает широкие возможности для практического применения в различных областях. Автоматизация интерфейсов становится реальностью благодаря способности модели распознавать и взаимодействовать с элементами GUI настольных и мобильных приложений, что позволяет создавать интеллектуальных ботов для автоматизации рутинных задач. Веб-разработка получает мощный инструмент для генерации кода непосредственно из визуальных макетов или описаний, значительно ускоряя процесс прототипирования. Анализ документов с продвинутым OCR делает модель незаменимой для обработки многоязычной документации, сканированных форм, счетов и таблиц в финансовой и коммерческой сферах. Обработка видеоконтента до нескольких часов с точной временной индексацией открывает возможности для создания систем анализа видеонаблюдения, образовательного контента и медиа-аналитики.

Дата анонса: 26.09.2025
Параметров: 31.1B
Экспертов: 128
Активно параметров при инференсе: 3B
Контекст: 263K
Слоев: 48
Тип внимания: Full Attention
Потребление памяти: 41.0 ГБ в точности 4 бит
Разработчик: Qwen
Версия Transformers: 4.57.0.dev0
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с Qwen/Qwen3-VL-30B-A3B-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.