Qwen: Qwen3 VL 32B Instruct

Qwen3-VL-32B-Instruct — это масштабная мультимодальная визуально-языковая модель, разработанная для высокоточного понимания и логического вывода на основе текста, изображений и видео. Обладая 32 миллиардами параметров, она сочетает глубокое визуальное восприятие с продвинутым анализом текста, что позволяет выполнять детальное пространственное рассуждение, анализ документов и сцен, а также понимать длительные видеопоследовательности. Модель поддерживает надежное оптическое распознавание символов (OCR) на 32 языках и использует улучшенное мультимодальное слияние благодаря архитектурам Interleaved-MRoPE и DeepStack. Оптимизированная для агентного взаимодействия и использования визуальных инструментов, Qwen3-VL-32B обеспечивает передовую производительность при решении сложных мультимодальных задач в реальных условиях. Доступ к модели предоставляется через API alltokens.