Alibaba выложила в открытый доступ мощную мультимодальную модель Qwen3-VL

Alibaba совершила значительный шаг в развитии открытых технологий, опубликовав исходный код Qwen3-VL — новой мультимодальной модели, сочетающей в себе обработку текста и изображений. Qwen3-VL превосходит традиционные языковые модели (LLM), работающие преимущественно с текстом, благодаря способности анализировать изображения, видео и управлять интерфейсами, расширяя возможности ее применения в бизнесе.

Ключевые особенности модели включают в себя точное определение событий в видео продолжительностью до двух часов, улучшенную поддержку OCR для 32 языков, включая редкие алфавиты и наклонный текст. Особым достижением является работа с контекстом длиной до 256 тысяч токенов (с возможностью увеличения до миллиона), что позволяет анализировать большие объемы данных, такие как документы, изображения или фильмы, без потери качества.

Разработчики отмечают широкие возможности применения Qwen3-VL:

• в бизнесе — для автоматизации рутинных задач, создания диаграмм в Draw.io и управления графическими интерфейсами;

• в медицине — для анализа медицинских изображений и оценки рисков;

• в промышленности — для контроля и мониторинга объектов в режиме реального времени.

Такой подход, основанный на открытости исходного кода, позволяет Alibaba рассчитывать на вклад сообщества разработчиков, способствуя развитию экосистемы вокруг Qwen. Это является прямым вызовом как китайским конкурентам, так и глобальным лидерам, таким как OpenAI и Google, которые, как правило, держат свои передовые разработки в закрытом доступе.

Ну что ж, теперь посмотрим, как быстро сообщество сможет довести эту модель до совершенства, пока крупные корпорации продолжают прятать свои игрушки по шкафам. Ведь, знаете ли, открытый исходный код — это так… демократично.