Alibaba выпустила Qwen3-VL-2B и Qwen3-VL-32B

Alibaba выпустила две новые мультимодальные модели — Qwen3-VL-2B и Qwen3-VL-32B. Последняя уже успела привлечь внимание ^[1] исследователей. Она демонстрирует результаты, сопоставимые и даже превосходящие те, что показывают модели вроде GPT-5 mini и Claude 4 Sonnet, особенно в задачах STEM, визуальных вопросах (VQA), распознавании текста (OCR), анализе видео и агентных сценариях.

Несмотря на «всего» 32 миллиарда параметров, Qwen3-VL-32B уверенно конкурирует с системами в десятки раз крупнее — до 235 миллиардов параметров. На ряде бенчмарков, включая OSWorld, она показывает абсолютное лидерство ^[2]. Такой результат стал возможен благодаря новой архитектуре с «иерархическим вниманием», которая позволяет эффективно объединять текст, изображение и видео в одном контексте.

Alibaba утверждает, что Qwen3-VL-32B может анализировать кадры в видео последовательно, понимая сюжет и причинно-следственные связи, а не просто описывая изображение. Это делает модель особенно полезной для задач видеоаналитики, автономных агентов и образовательных сценариев, где важна способность рассуждать.

Попробовать обе модели можно уже сейчас через Hugging Face ^[3] и платформу Qwen Studio ^[4], где доступны демо и API для интеграции в собственные продукты.

Делегируйте часть рутинных задач вместе с BotHub! ^[5] Для доступа к сервису не требуется VPN и можно использовать российскую карту. По ссылке ^[6] вы можете получить 100 000 бесплатных токенов для первых задач и приступить к работе с нейросетями прямо сейчас!