Qwen3-VL-32B-Instruct
Qwen3-VL-32B-Instruct is the largest dense model in Alibaba's Qwen3-VL vision-language series, released on October 22, 2025. It handles image and long-video understanding, OCR and GUI-agent tasks with a native 256K-token context extendable to 1M, and is open under Apache 2.0.
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
模型基本信息
开源和体验地址
官方介绍与博客
API接口信息
| 类型 | 适用条件 | 输入 | 输出 |
|---|---|---|---|
| 文本 | - | ¥0.0015/ 1K tokens | ¥0.0060/ 1K tokens |
| 图像 | - | ¥0.0015/ 1K tokens | — |
表中「—」表示该模态在此方向不计费，或供应商未公开对应价格。
评测结果
Qwen3-VL-32B 当前已收录的代表性评测结果包括 MMMU-Pro（161 / 231，得分 64.30）、Terminal Bench Hard（185 / 244，得分 8.30）。 本页还汇总了参数规模、上下文长度与 API 价格，便于结合评测结果与部署约束一起判断模型适配度。
发布机构
模型解读
模型简介与定位
Qwen3-VL-32B-Instruct 为 Qwen3-VL 系列的更高容量稠密多模态模型，定位于单机/服务器侧的高性能图文与长视频理解任务。
架构与技术规格
模型为稠密结构（Dense），参数规模约 32B。与同系列一致，引入 Interleaved-MRoPE、DeepStack、Text–Timestamp 对齐等组件；上下文为原生 256K，可扩展至 1M。
核心能力与支持模态
支持图像与视频输入、文本输出，覆盖 GUI Agent 操作、复杂场景空间理解、长文档/多语言 OCR（32 种语言）、以及 STEM 类多步推理；模型卡亦展示了纯文本能力对比。
性能与评测（来自官方模型卡/博客）
模型卡提供了多模态与文本基准图表与示例，表明在长时序视频理解与跨模态推理等方面相较前代有提升；本条仅引用公开页面信息，不补充未公布的数值。
应用场景与限制
适合服务端对话式多模态问答、视频检索问答、企业级 OCR/表单/多页文档解析与 Agent 编排等；当前无该特定权重的官方托管定价说明，需自行本地/私有化部署。
访问与许可
权重可在 Hugging Face 获取，许可为 Apache-2.0；代码与示例位于官方 Qwen3-VL 仓库，可通过 Transformers 进行推理与集成。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
