阿里正式开源最强视觉理解大模型Qwen3-VL：关键评测基准超Gemini 2.5 Pro，支持针对视觉输入进行推理，甚至可以理解3D场景

今日，QwenTeam 正式发布了全新一代多模态视觉语言模型 —— Qwen3-VL 系列。这是 Qwen 家族迄今为止最强大的视觉语言模型，在视觉感知、跨模态推理、长上下文理解、空间推理和智能代理交互等多个维度全面提升。旗舰开源模型 Qwen3-VL-235B-A22B 已经上线，并提供 Instruct 和 Thinking 两个版本，前者在视觉感知上全面对标并超过 Gemini 2.5 Pro，后者则在多模态推理基准上创下新纪录，成为开源阵营的最强视觉理解大模型。

这一代模型的目标不再是“看懂图片”，而是迈向真正的认知和行动力：理解世界、推理事件，并执行复杂任务。

Qwen3-VL的特点

本次阿里开源的Qwen3-VL模型是目前最大的一个，即Qwen3-VL-235B-22B。基于7月份开源的语言模型Qwen3-235B-22B继续训练得到，分为2个不同的版本，即不带思考模式的Qwen3-VL-235B-22B-Instruct和带推理过程的Qwen3-VL-235B-22B-Thinking。

相比较前代的模型，本次阿里开源的Qwen3-VL-235B-22B模型升级很大，主要总结如下：

• 视觉Agent能力全面提升：模型不仅能识别图像，还能直接操作 PC 或手机界面，理解按钮功能，调用工具并完成复杂任务。在基准测试 OS World 上取得全球领先成绩。

• 视觉编程能力增强：支持将设计稿或视频画面直接转化为 代码，实现真正的“所见即所得”编程。