Qwen3 VL 30B A3B Thinking

Qwen3-VL — крупная мультимодальная модель на 235B параметров, объединяющая зрение, язык и рассуждение для работы с текстом, изображениями и видео. Контекст — до 1 млн токенов. Она сильна в визуальном понимании, пространственных рассуждениях, анализе длинных видео и работе с инструментами. Умеет генерировать код по изображениям, выполнять 2D/3D-привязку объектов (grounding) и управлять интерфейсами как визуальный агент. Версия Instruct сопоставима с Gemini 2.5 Pro в бенчмарках восприятия, а версия Thinking лидирует в мультимодальных рассуждениях и STEM-задачах. Среди возможностей также многоязычный OCR; модель относится к открытым.