Qwen3-VL

Qwen3-VL 是阿里巴巴通义实验室推出的多模态大语言模型系列，支持文本与图像、视频等视觉信息的深度融合理解与生成。其核心能力包括：高精度OCR（支持32种语言）、细粒度空间与3D视觉推理、256K原生长上下文（可扩展至1M）、GUI视觉代理操作、视觉编码生成（如HTML/Draw.io）、以及强逻辑的多模态数学与STEM推理。模型提供Dense与MoE两种架构，含Instruct和Thinking增强版本，适配从边缘设备到云端的灵活部署。适用于智能文档解析、工业质检、教育辅助、视觉编程、数字人交互及具身AI等需深度图文协同理解的场景。