Qwen3-VL-235B-A22 Instruct測評分?jǐn)?shù)

本次開源的是旗艦版Qwen3-VL-235B-A22B，有開源指令（Instruct）模型和推理（Thinking）模型兩大版本。Qwen3-VL展現(xiàn)了在復(fù)雜視覺任務(wù)中的強(qiáng)大泛化能力與綜合性能，在邏輯謎題、通用視覺問答、多語言文本識別與圖表文檔解析、二維與三維目標(biāo)定位、具身與空間感知、視頻理解等32項(xiàng)具體測評中，指令版Qwen3-VL超越了Gemini2.5-Pro 和 GPT5 等閉源模型，同時刷新了開源多模態(tài)模型的最佳成績。推理版Qwen3-VL多模態(tài)思考能力顯著增強(qiáng)，在 MathVision、MMMU、MathVista 等權(quán)威評測中達(dá)到領(lǐng)先水平。

Qwen3-VL擁有極強(qiáng)的視覺智能體和視覺Coding能力，幾乎刷新所有相關(guān)評測的最佳性能。Qwen3-VL 不僅能看懂圖片，還能像人一樣操作手機(jī)和電腦，自動完成許多日常任務(wù)，例如打開應(yīng)用、點(diǎn)擊按鈕、填寫信息等，實(shí)現(xiàn)智能化的交互與自動化操作。輸入一張圖片，Qwen3-VL可自行調(diào)用Agent工具放大圖片細(xì)節(jié)，通過更仔細(xì)的觀察分析，推理出更好的答案；看到一張?jiān)O(shè)計(jì)圖，Qwen3-VL 就能生成Draw.io/HTML/CSS/JS 代碼，“所見即所得”地完成視覺編程，真正推動大模型從“識別”邁向“推理與執(zhí)行”。

Qwen3-VL可支持?jǐn)U展百萬tokens上下文，視頻理解時長擴(kuò)展到2小時以上。這意味著，無論是幾百頁的技術(shù)文檔、整本教材，還是長達(dá)數(shù)小時的會議錄像或教學(xué)視頻，都能完整輸入、全程記憶、精準(zhǔn)檢索。Qwen3-VL還能根據(jù)時間戳精確定位“什么時候發(fā)生了什么”，比如“第15分鐘穿紅衣服的人做了什么”、“球從哪個方向飛入畫面”等，都能準(zhǔn)確回答。

Qwen3-VL的3D檢測能力增強(qiáng)，未來可協(xié)助機(jī)器人等具身智能判斷物體的方位。

大模型的空間理解能力是實(shí)現(xiàn)具身智能的基礎(chǔ)，Qwen3-VL 專門增強(qiáng)了3D檢測（grounding）能力，可以更好地感知空間。當(dāng)前，機(jī)器人想要輕松抓住桌上的一個蘋果，并不容易。憑借Qwen3-VL強(qiáng)大的3D檢測能力，未來可讓機(jī)器人更好地判斷物體方位、視角變化和遮擋關(guān)系，從而準(zhǔn)確判斷蘋果的位置與自身距離，實(shí)現(xiàn)精準(zhǔn)抓取。

據(jù)了解，千問視覺理解模型已實(shí)現(xiàn)廣泛落地，比如國家天文臺聯(lián)合阿里云發(fā)布的全球首個太陽大模型“金烏”，正是基于 Qwen-VL 等模型以超過 90 萬張?zhí)栃l(wèi)星圖像為樣本完成微調(diào)訓(xùn)練。未來，Qwen3-VL模型還將開源更多尺寸版本。即日起，用戶可在通義千問QwenChat上免費(fèi)體驗(yàn)Qwen3-VL，也可通過阿里云百煉平臺調(diào)用API服務(wù)。

zhupb