国产一区亚洲无码,亚洲成a人片在线观看www,亚洲午夜久久精品无码

當(dāng)前位置： OFweek 人工智能網(wǎng) > 其他 > 正文

阿里最新視覺語言模型 Qwen3-VL：明察、深思、廣行

2025-11-17 15:47

來源： OFweek人工智能網(wǎng)

阿里通義千問于今日正式推出全新升級的 Qwen3-VL 系列——這是迄今為止 Qwen 系列中最強大的視覺語言模型。

Qwen3-VL 在文本理解與生成、感知與推理、上下文長度支撐、與Agent交互中的表現(xiàn)都展現(xiàn)出顯著進步。

目前，阿里已開源 Qwen3-VL-235B-A22B，同時包含 Instruct 與 Thinking 兩個版本。其中，Instruct 版本在多項主流視覺感知評測中，性能達到甚至超過 Gemini 2.5 Pro；而 Thinking 版本更是在眾多多模態(tài)推理的評測基準(zhǔn)下取得了 SOTA 的表現(xiàn)。

核心亮點

Qwen3-VL 的目標(biāo)，是讓模型不僅能“看到”圖像或視頻，更能理解事件并做出行動，從“識別”邁向“推理與執(zhí)行”。

模型主要亮點有：

視覺智能體（Visual Agent）：Qwen3-VL 能操作電腦和手機界面、識別 GUI 元素、理解按鈕功能、調(diào)用工具、執(zhí)行任務(wù)，能通過調(diào)用工具有效提升在細(xì)粒度感知任務(wù)的表現(xiàn)。
視覺 Coding 能力大幅提升：實現(xiàn)圖像生成代碼以及視頻生成代碼，例如看到設(shè)計圖，代碼生成 Draw.io/HTML/CSS/JS 代碼。
空間感知能力大幅提升：2D grounding 從絕對坐標(biāo)變?yōu)橄鄬ψ鴺?biāo)，支持判斷物體方位、視角變化、遮擋關(guān)系，能實現(xiàn) 3D grounding。
長上下文支持和長視頻理解：全系列模型原生支持 256K token 的上下文長度，并可擴展至 100 萬 token。無論是幾百頁的技術(shù)文檔、整本教材，還是長達兩小時的視頻，都能完整輸入并記憶。

性能評估

整體來看，Qwen3-VL-235B-A22B-Instruct 在非推理類模型中多數(shù)指標(biāo)表現(xiàn)最優(yōu)，超越 Gemini 2.5 Pro 和 GPT-5 等閉源模型，展現(xiàn)了其在復(fù)雜視覺任務(wù)中的強大泛化能力與綜合性能。

在推理模型方面, Qwen3-VL-235B-A22B-Thinking 在 Mathvision 這類復(fù)雜的多模態(tài)數(shù)學(xué)題目上表現(xiàn)甚至優(yōu)于 Gemini 2.5 Pro。雖然在多學(xué)科問題、視覺推理和視頻理解方面與閉源 SOTA 模型仍存在一定差距，但在 Agent 能力、文檔理解、2D/3D Grounding等任務(wù)上展現(xiàn)出明顯優(yōu)勢。

在純文本任務(wù)上，Qwen3-VL-235B-A22B 的 Instruct 和 Thinking 的表現(xiàn)都與 Qwen3-235B-A22B-2507 不相上下。

結(jié)構(gòu)設(shè)計更新

團隊在采用原生動態(tài)分辨率設(shè)計的基礎(chǔ)上，對結(jié)構(gòu)設(shè)計進行了更新。

一是采用 MRoPE-Interleave，使用交錯分布的形式，實現(xiàn)對時間，高度和寬度的全頻率覆蓋。更具魯棒性的位置編碼能夠保證模型在圖片理解能力相當(dāng)?shù)那闆r下，提升對長視頻的理解能力。

二是引入 DeepStack 技術(shù)，融合 ViT 多層次特征，提升視覺細(xì)節(jié)捕捉能力和圖文對齊精度。將以往多模態(tài)大模型（LMM）單層輸入視覺 tokens 的范式，改為在大型語言模型 (LLM) 的多層中進行注入。這種設(shè)計能夠有效保留從底層（low-level）到高層（high-level）的豐富視覺信息，提升模型視覺理解的能力。

三是將原有的視頻時序建模機制 T-RoPE 升級為文本時間戳對齊機制。該機采用“時間戳-視頻幀”交錯的輸入形式，實現(xiàn)幀級別的時間信息與視覺內(nèi)容的細(xì)粒度對齊，提升模型對視頻中動作、事件的語義感知與時間定位精度。