评测结果超GPT-5 mini和Claude 4 Sonnet，阿里再发开源版本Qwen3-VL模型：手机可运行的Qwen3-VL-2B和Qwen3-VL-32B

2025年10月21日，阿里巴巴Qwen团队再次发力，推出了Qwen3-VL-2B和Qwen3-VL-32B两个视觉理解大模型。其中，Qwen3-VL-32B是Qwen3系列中稠密架构参数量最高的模型，其评测结果超过GPT-5 mini和Claude 4 Sonnet。

本次发布的Qwen3-VL-32B模型和Qwen3-VL-2B模型均区分非推理版本和推理版本，且有官方的FP8量化版本。而Qwen3-VL-2B-FP8模型二进制文件大小仅3.47GB，手机端完全可以运行。

Qwen3-VL-32B模型核心特点：Agent能力和空间感知能力大幅提升

本次发布的Qwen3-VL-32B模型是一个稠密架构的模型（非MoE架构，总参数量和激活参数量一致）。根据此前阿里官方的说明，32B规模是他们测试的稠密架构中参数规模最大的一类，再往上性价比和回报没有那么好。因此，大家可以理解为32B是稠密架构参数量最高的模型了。

Qwen3-VL-32B模型的参数量为320亿，原生支持256K上下文，最高可以扩展到100万的输入。根据官方的描述，它可以读取几个小时时长的视频并具备完整的回忆能力！

Qwen3-VL-32B模型的主要特点包括：

• 增强了视觉Agent能力，可以识别PC/Mobile的界面关键元素，理解如何使用这些界面控件完成任务；
• 可以基于图像和视频输入生成Draw.io、HTML、CSS等代码；
• 具有高级的空间感知能力：传统模型常在遮挡或透视场景中迷失方向，但Qwen3-VL-32B模型通过引入相对坐标系统和遮挡预测算法，提高了3D物体检测精度，这部分应该也是为了未来的Qwen的机器人准备的；
• 提升了STEM（科学工程）、数学领域的能力；