认识 Qwen3-VL —— 迄今为止 Qwen 系列中最强大的视觉-语言模型。

这一代模型实现了全方位升级：在文本理解与生成能力上更为出色，具备更深层次的视觉感知与推理能力，支持更长的上下文长度，并在空间理解、视频动态感知以及智能体交互能力方面显著增强。

模型提供 Dense 和 MoE 两种架构形态，可从端侧扩展到云端，同时支持 Instruct 版本和增强推理能力的 Thinking 版本，满足灵活、按需的部署需求。

Model Farm 提供预编译好的模型资源以及推理代码，支持以下两种方式获取：

• 通过 Model Farm 页面获取：在右侧性能参考板块中点击模型 & 代码获取模型资源及代码包。

• 通过命令获取（推荐）：持有阿加犀开发板的用户，可以通过开发板内置的 MMS 工具获取模型资源及代码包。

# 模型查询
mms list [model name]

# 模型资源获取
mms get -m [model name] -p [precision] -c [soc] -b [backend] -d [file path]

MMS 具体使用请参考：MMS 使用 & 提前获取预览版块模型

主要增强特性：

• 视觉智能体（Visual Agent）：可操作 PC / 移动端 GUI，能够识别界面元素、理解功能、调用工具并完成任务。

• 视觉编程能力提升（Visual Coding Boost）：可根据图像或视频生成 Draw.io / HTML / CSS / JavaScript 代码。

• 先进的空间感知能力（Advanced Spatial Perception）：能够判断物体位置、视角和遮挡关系，提供更强的 2D 定位能力，并支持用于空间推理和具身智能的 3D 定位。

• 长上下文与视频理解（Long Context & Video Understanding）：原生支持 256K 上下文，可扩展至 1M；能够完整理解书籍级文本和数小时级视频内容，并支持秒级索引与精准回溯。

• 增强的多模态推理能力（Enhanced Multimodal Reasoning）：在 STEM / 数学领域表现突出，具备更强的因果分析能力，能够给出逻辑严谨、基于证据的回答。

• 升级的视觉识别能力（Upgraded Visual Recognition）：通过更大规模、更高质量的预训练，实现“万物识别”，涵盖名人、动漫角色、商品、地标、动植物等。

• OCR 能力扩展（Expanded OCR）：支持 32 种语言（由原来的 19 种提升）；在低光照、模糊、倾斜等复杂场景下更加稳健，对生僻字、古文字和专业术语识别更友好，并显著提升了长文档结构解析能力。

• 文本理解能力媲美纯 LLM（Text Understanding on par with pure LLMs）：实现文本与视觉的无缝融合，带来无损、统一的理解体验。

多模态性能

纯文本性能

待发布