阿里巴巴发布 Qwen3-VL 视觉语言模型

背景

视觉语言模型能够同时接收图像或视频与文本，并以文字作答。Qwen3-VL 是阿里巴巴通义千问视觉语言系列在2025年9月的一次发布。^[2]

发生了什么

2025年9月，阿里巴巴以 Apache 2.0 许可证发布 Qwen3-VL。该系列包括稠密模型和混合专家模型，各有 Instruct 与 Thinking 两种版本，旗舰型号为 Qwen3-VL-235B-A22B。^[2][1]

关键细节

模型的原生上下文为 256K 个词元，可扩展至 100 万个词元，并能以秒级粒度为长达数小时的视频建立索引。它可以作为视觉智能体操作电脑和手机界面，也能根据图片或视频生成 Draw.io 图表，以及 HTML、CSS 和 JavaScript 代码。^[1]

OCR 的语言覆盖由19种扩展到32种，对模糊、倾斜和弱光文字的处理也有改进。^[1]

影响

这次发布表明，开放的多模态模型正从描述图像走向依据图像采取行动，例如读取屏幕、根据视觉设计生成代码，或在视频中定位事件。由于权重以 Apache 2.0 许可证发布，任何人都可以测试并在此基础上开发，而不只是托管服务的用户。^[1]

描述视觉语言模型时，有几个术语值得先说明。定位（grounding）是把词语与图像或视频中的位置对应起来的任务，例如找到一句话所描述的物体。视觉智能体是能够读取屏幕内容并在界面中执行操作的模型。OCR（光学字符识别）把图像中的文字转换为机器可读的文本。这些能力结合在一起，使视觉语言模型不仅能为照片配文，还能用于文档、软件界面和视频。