Qwen3 VL 235B A22B Thinking

Qwen3-VL-235B-A22B-Thinking — самая мощная визуально-языковая модель серии Qwen: 236B параметров, архитектура MoE, усиленные рассуждения в мультимодальных задачах. Модель работает как визуальный агент (управляет GUI на ПК и телефоне, распознаёт элементы, вызывает инструменты), генерирует Draw.io/HTML/CSS/JS по изображениям и видео, поддерживает 2D- и 3D-grounding для пространственных рассуждений и embodied AI. Нативный контекст — 256K с расширением до 1M, понимает многочасовое видео с индексацией по секундам. Она сильна в STEM и математике, распознаёт широкий круг объектов, а OCR поддерживает 32 языка и устойчив к плохому свету, размытию и наклону. Из архитектурных решений: Interleaved-MRoPE, DeepStack для слияния признаков ViT на разных уровнях и Text-Timestamp Alignment для точной временной привязки в видео.