通义千问 Qwen3-VL 视觉语言模型

背景

Qwen3-VL 由阿里巴巴通义千问团队于2025年9月发布，是一个视觉语言模型，即同时接收图像或视频与文本作为输入、输出文本的模型。它以 Apache 2.0 许可证发布，这是一种宽松的许可证。^[2][1]

它是什么

该系列既包含稠密模型，也包含混合专家（MoE）模型，每种都提供 Instruct（指令）版本和增强推理的 Thinking 版本。旗舰型号为 Qwen3-VL-235B-A22B，总参数 2350 亿，每个词元约激活 220 亿参数。^[1]

主要能力

模型的原生上下文为 256K 个词元，可扩展至 100 万个词元。在这一窗口内，它能够处理长达数小时的视频，并以秒级粒度为事件建立索引。^[1]

它可以充当视觉智能体（visual agent），操作电脑和手机的界面；也能根据图片或视频生成 Draw.io 图表，以及 HTML、CSS 和 JavaScript 代码。视觉智能体指能够读取屏幕内容并据此执行点击、输入等操作的系统。^[1]

Qwen3-VL 增加了二维和三维定位（grounding），即在图像中找到物体并描述其位置；同时能够判断位置关系、视角，以及遮挡关系，也就是一个物体是否挡住了另一个物体。^[1]

其 OCR（图像文字识别）的语言覆盖从19种扩大到32种，对于模糊、倾斜或弱光拍摄的文字，识别也更为稳定。^[1]

架构

模型使用交错的 MRoPE 位置编码，用来告诉模型文本、图像和视频帧中每个词元所处的位置。它采用 DeepStack 融合，结合视觉 Transformer（ViT）多个层级的特征，而不仅仅依赖最后一层；同时把文本与时间戳对齐，使视频中的事件可以在时间上被定位。^[1]

基准成绩

在 ScreenSpot-Pro 上，该基准衡量的是界面定位，即在屏幕上找到界面元素的能力。阿里巴巴报告，235B 的 Instruct 版本得分为 62。基准测试衡量的是特定能力，这一分数应被视为众多指标中的一项。^[1]

在行业中的位置

Qwen3-VL 反映了开放多模态模型的一个方向：模型不仅要回答关于图片的问题，还要能读懂界面、根据视觉输入生成代码，并处理长视频。开放许可意味着开发者可以运行和改造它，这对需要理解屏幕和文档的工具尤其有用。^[1]