新万博体育

　　猫眼电影记者 李学武 报道P6F3X2M7T9QJ8L1B4WZR

智东西作者 陈骏达编辑 云鹏

智东西9月24日报道，今天，阿里通义大模型团队宣布推出全新升级的Qwen3-VL系列模型，并宣布旗舰版本Qwen3-VL-235B-A22B系列开源。这是Qwen系列中最强的视觉语言模型。

Qwen3-VL的目标，是让模型不仅能看到图像或视频，更能真正看懂世界、理解事件、做出行动。在官方演示中，Qwen3-VL已经展现出强大的视觉驱动推理与执行能力，可操作手机、电脑等设备。模型可以根据自然语言指令打开应用、点击按钮、填写信息等，帮你轻松完成航班的查询和预定。

Qwen3-VL也具备识别万物的能力，名人、美食、动植物、汽车品牌、动漫角色等均在其知识储备范围内。上传一张图片，模型就能准确报菜名，还是带定位框的那种。

在十个维度的全面评估中，Qwen3-VL-235B-A22B-Instruct在非推理类模型中，多数指标表现最优，超越了Gemini 2.5 Pro和GPT-5等闭源模型，同时刷新了开源多模态模型的最佳成绩，在复杂视觉任务上具备强大泛化能力与综合性能。

而在推理模型方面，Qwen3-VL-235B-A22B-Thinking同样在多数指标上创下开源多模态模型的新高，与Gemini 2.5 Pro和GPT-5等闭源顶尖模型相比各有胜负。虽然在多学科问题、视觉推理和视频理解方面与闭源SOTA模型仍存在一定差距，但在Agent能力、文档理解、2D/3D Grounding等任务上展现出明显优势。

▲左侧为Qwen3-VL-235B-A22B-Instruct等非推理模型得分，右侧为Qwen3-VL-235B-A22B-Thinking等推理模型得分

目前，Qwen3-VL-235B-A22B-Instruct、Qwen3-VL-235B-A22B-Thinking均已开源至Github、Hugging Face、魔搭等开源平台，用户也可在Qwen Chat里直接体验模型表现。

开源地址：

https://modelscope.cn/collections/Qwen3-VL-5c7a94c8cb144b

https://huggingface.co/collections/Qwen/qwen3-vl-68d2a7c1b8a8afce4ebd2dbe

https://github.com/QwenLM/Qwen3-VL

体验链接：

https://chat.qwen.ai

一、八大能力效果惊艳，看截图用600行代码再造小红书

在博客中，阿里通义大模型团队介绍了Qwen3-VL系列模型的八大能力。

视觉智能体

Qwen3-VL能操作电脑和手机界面、识别GUI元素、理解按钮功能、调用工具、执行任务，在OS World等基准测试上达到世界顶尖水平，能通过调用工具有效提升在细粒度感知任务的表现。

官方Demo中，Qwen3-VL能在电脑中快速完成复制粘贴工作，还能把文件保存为Word文档。或是根据用户指令，输出航班出发地、到达地、时间等信息，帮用户节省繁琐的操作流程。

文本能力

Qwen3-VL在预训练早期即混合文本与视觉模态协同训练，在纯文本任务上表现与Qwen3-235B-A22B-2507纯文本旗舰模型不相上下。结合视觉能力后，它能根据图片或视频内容生成生动的文字描述，适用于故事创作、文案撰写、短视频脚本等创意场景。

官方Demo展现了一个非常实用的Case，可以直接把孩子的素描作业发给Qwen3-VL，模型能根据画面内容和用户提示词，给出准确的评价。

视觉Coding能力

Qwen3-VL能实现图像生成代码以及视频生成代码，例如看到设计图，代码生成Draw.io/HTML/CSS/JS代码，真正实现“所见即所得”的视觉编程。

智东西将一张小红书网页版的截图上传给Qwen3-VL，不过，首先遇到的是其安全机制。模型认为直接复制小红书的设计有侵权风险，多次拒绝此类任务。

随后，我们向模型保证了相关代码仅用于展示，模型这才同意上手开发。最终，Qwen3-VL用600多行代码实现了复刻，除了未能显示图片之外，网页基本实现了90%的还原度。

空间感知能力

Qwen3-VL在2D grounding任务上从绝对坐标变为相对坐标，支持判断物体方位、视角变化、遮挡关系。

它也同时支持直接预测3D边界框，还原物体在真实世界中的位置和大小。

长上下文支持和长视频理解

Qwen3-VL全系列模型原生支持256K tokens的上下文长度，并可扩展至1M token。这意味着，无论是几百页的技术文档、整本教材，还是长达两小时的视频，都能完整输入、全程记忆、精准检索。视频定位可精确到秒级别时刻。

例如，在256K tokens上下文的“视频大海捞针”实验中，Qwen3-VL的准确率达到100%；当上下文扩展至1M tokens时，对应视频时长约2小时，准确率仍保持在99.5%。

在官方Demo中，模型能看懂一条20多分钟的外语视频，并据此整理出一道菜谱。

甚至可以通过观看游戏视频自动生成对应的游戏代码。

多模态思考能力

Qwen3-VL系列的Thinking模型重点优化了STEM与数学推理能力。面对专业学科问题，模型能捕捉细节、抽丝剥茧、分析因果、给出有逻辑、有依据的答案，在MathVision、MMMU、MathVista等权威评测中达到领先水平。

智东西直接将官方Demo中的一则案例截图，考察模型能否正确解答。

模型准确地识别了图中的文字和画面，思考2-3分钟后，给出了正确答案。

视觉感知与识别能力

通过优化预训练数据的质量和广度，Qwen3-VL现在能识别更丰富的对象类别——从名人、动漫角色、商品、地标，到动植物等，覆盖日常生活与专业领域的“万物识别”需求。

官方Demo中，仅需上传一张吹风机的图片，模型就能主动进行图像感知，并调用搜索工具，给出品牌等信息，并提供是否值得购买的建议。

OCR支持新万博体育：语言及复杂场景

在复杂光线、模糊、倾斜等实拍挑战性场景下，Qwen3-VL的表现更稳定；对生僻字、古籍字、专业术语的识别准确率也有提升；超长文档理解和精细结构还原能力进一步提升。

例如，官方Demo中，这张实拍的挂号费收据字迹模糊，还有重叠，肉眼看着都有些费劲。但模型能准确识别字样，并根据指定格式输出。

Qwen3-VL能识别的非中文、英文语言从10种扩展到32种，覆盖新万博体育：国家和地区。在这32种语言上，模型的识别准确率已经超过70%，达到实际可用水平。这些语言包括瑞典语等欧洲语言、斯瓦西里语等非洲语言、越南语等东南亚语言、印地语和乌尔都语等南亚语言和日语韩语等东亚语言，基本覆盖了常用的小语种。

二、采用原生动态分辨率设计，结构迎来三大更新

在模型架构上，Qwen3-VL仍旧采用原生动态分辨率设计，但在结构设计上进行了更新：

一是采用MRoPE-Interleave，原始MRoPE将特征维度按照时间（t）、高度（h)和宽度（w)的顺序分块划分，使得时间信息全部分布在高频维度上。

Qwen3-VL中采取了t,h,w交错分布的形式，实现对时间，高度和宽度的全频率覆盖，这样更加鲁棒的位置编码能够保证模型在图片理解能力相当的情况下，提升对长视频的理解能力。

二是引入DeepStack技术，融合ViT多层次特征，提升视觉细节捕捉能力和图文对齐精度。阿里通义大模型团队沿用DeepStack的核心思想，将以往多模态大模型单层输入视觉tokens的范式，改为在大语言模型的多层中进行注入。这种多层注入方式旨在实现更精细化的视觉理解。

在此基础上，阿里通义大模型团队进一步优化了视觉特征token化的策略。具体而言，Qwen3-VL将来自ViT不同层的视觉特征进行token化，并以此作为视觉输入。这种设计能够有效保留从底层（low-level）到高层（high-level）的丰富视觉信息。实验结果表明，该方法在多种视觉理解任务上均展现出显著的性能提升。

三是将原有的视频时序建模机制T-RoPE升级为文本时间戳对齐机制。该机采用“时间戳-视频帧”交错的输入形式，实现帧级别的时间信息与视觉内容的细粒度对齐。

同时，模型原生支持“秒数”与“时:分:秒”（HMS）两种时间输出格式。这一改进提升了模型对视频中动作、事件的语义感知与时间定位精度，使其在复杂时序推理任务——如事件定位、动作边界检测、跨模态时间问答等——中表现更稳健、响应更精准。

结语：从多模态到智能体，VL模型展现庞大想象空间

生成式AI与真实世界场景的结合越来越密切，在文本模态之外，图像、视频等多模态任务，也正在成为AI落地的关键场景之一。

未来，VL模型的潜力不仅在于识别物体、理解文档或解析视频，更在于成为驱动Agent的大脑。它们将具备跨模态感知、跨任务推理、跨场景执行的能力，从个人助手到工业自动化、从教育科研到医疗健康，均有望释放出巨大价值。

??时事1：女人与牛ZZZZO0交酡全过程

??09月24日,记者调查发现二手交易市场检测混乱“水分大”,

　　俗话说：“良好的开端等于成功的一半。”新学期开学了，我相信同学们一定会满怀信心走向成功。怎样争取有一个良好的开端呢？在这里，我向同学们提议：

,火舞爆乳露双奶头被❌。

??09月24日,微观察 | 坚定自信，使这条路越走越宽广,

　　有关家庭防护的：当自己一个人在家的时候，有陌生人来访，不要让对方知道你一个人在家，坚决做到不开门，有情况报警或者向窗外呼救……

,温迪被绑在机器上强制高潮,云缨同人18❌3D同人动漫,双男主日漫八尺大人漫画。

??时事2：我帮妺妺洗澡忍不住c了在线

??09月24日,蓝厅观察丨英国学者力证中国对南海诸岛拥有无可争辩的主权,　　张军社认为，荷兰、澳大利亚和加拿大都做了对中方实施抵近侦察、滋事挑衅等动作。根据中国国防部发布的消息，澳大利亚指责中国“危险接近”的事实是其3次派舰载直升机对中方正常训练活动进行抵近侦察滋扰，中国军队对其喊话警告、外逼驱离，相关操作正当合理、专业安全。“无论是哪个国家意图不轨，为维护国家主权和安全，解放军都会采取必要的应对措施。” 张军社说。,成人app18㊙️免费破解版,🈚码18🈲H站在线看男男,玖辛奈被带土爆❌漫画。

??09月24日,俄政府限制食糖出口以维护国内市场稳定,

　　一要学经济，切实提高带领群众致富的能力。俗话说“村看村，户看户，群众看的是干部”。因此，镇村干部要多学习科技文化知识和市场经济知识，切实掌握致富的真本领，努力成为群众致富的领头雁，带领大家共同致富。只有这样，镇村干部在群众中才能有说服力和威信。

,扒开美女❌狂揉❌下,巨胸爆乳露双奶头被❌侵犯免费,美女露出㊙️胸奶头亲吻视频。

??时事3：91🈲🍆🍑无套直导航

??09月24日,2023年安徽省粮食产量830.16亿斤 再创新高,

　　小不点动用祖器，与石林虎还有石飞蛟不可同日而语，威力提升了一大截，当然他也无法发挥出祖器的真正威力。

,羞羞答答手机视频免费,女初高中打屁股♥网站图片,扒开小舞❌狂揉❌难受3d视频。

??09月24日,瑞典戏剧在桂林山水间展示自然融合之美,

　　(4)大火封门无法逃生时，可用浸湿的被褥、衣物等堵塞门缝，泼水降温，呼救待援。

,植物大战僵尸融合版,三月七被🌿出白水,唐艺昕aⅰ裸体自慰露。

??时事4：琼明神女txt未删减

??09月24日,外交部发言人就孟加拉国局势答记者问,

　　而从原始山林中跃出来的十几名强者也正好冲至，各种光芒飞舞，符文漫天，有古禽虚影，有凶兽化形，缭绕着炫目的光芒，扑杀向焦黑的柳树。

,18cm男性生勃起殖器官图片,裸体 惩罚 拍击 打屁股视频,分娩偷拍合集无删减。

??09月24日,WTA500东京站决赛开打！郑钦文向赛季第三冠发起冲击,

　　这太震撼了，一条柳枝，截断天地，斩杀群雄，让人颤栗。

,91精品国产成Av人片软件,动漫美女被❌羞羞网站视频软件,女学生不戴套毛片。