Alibaba выпустила мощные мультимодальные модели Qwen3

Alibaba представила две новые мультимодальные модели — Qwen3-VL-2B и Qwen3-VL-32B. Особое внимание привлекает Qwen3-VL-32B, демонстрирующая результаты, сравнимые и даже превосходящие показатели GPT-5 mini и Claude 4 Sonnet, особенно в областях STEM, визуальных вопросах (VQA), распознавании текста (OCR), анализе видео и при работе с агентами.

Несмотря на относительно небольшой размер в 32 миллиарда параметров, Qwen3-VL-32B успешно конкурирует с моделями, содержащими до 235 миллиардов параметров. Модель показала абсолютное лидерство на ряде бенчмарков, включая OSWorld, благодаря новой архитектуре с «иерархическим вниманием», эффективно объединяющей текст, изображения и видео.

Alibaba заявляет, что Qwen3-VL-32B способна последовательно анализировать видео, понимая сюжет и причинно-следственные связи, а не просто описывая отдельные кадры. Это делает модель ценным инструментом для видеоаналитики, автономных агентов и образовательных приложений, требующих логического мышления.

Обе модели доступны для тестирования через Hugging Face и Qwen Studio, где предоставляются демо-версии и API для интеграции.