Qwen3-VL: Новая мультимодальная модель от Alibaba
Alibaba представила мощную мультимодальную модель Qwen3-VL, доступную в двух вариантах — с 4 и 8 миллиардами параметров. Модель понимает и текст, и изображения, справляется с длинным контекстом до 256 тысяч токенов (с возможностью расширения до 1 миллиона) и точно распознает объекты и сцены.
Ключевой особенностью Qwen3-VL является поддержка открытой лексики. Модель способна понимать не только общие понятия, но и конкретные объекты, такие как товары, логотипы, известные личности и архитектурные сооружения, что позволяет ей интерпретировать контекст изображений.
Qwen3-VL предлагает два режима работы: Instruct для интерактивных задач (генерация текста, кода, анализ данных) и Thinking – для сложных вычислений, логических рассуждений и решения математических задач.
Система оптического распознавания символов (OCR) в Qwen3-VL обучена на данных низкого качества, включая размытые фотографии, сканы и рукописные документы. Модель эффективно извлекает текст даже из наклонных и частично закрытых изображений, поддерживая 32 языка, включая казахский, китайский, арабский и японский.
По многим задачам Qwen3-VL показывает результаты, сравнимые с более крупной Qwen2.5-VL-72B, а иногда и превосходит её, особенно в понимании пространственных отношений на изображениях и текстово-графическом анализе.
Модель распространяется под лицензией Apache 2.0, что делает её одной из самых доступных мощных мультимодальных систем с открытым кодом. Код, веса модели и демонстрации уже доступны на Hugging Face, а Alibaba Cloud планирует интеграцию Qwen3-VL в свои сервисы AI Workspace и ModelScope.
