Qwen3-VL 在 SiliconFlow 上：新一代 VLM，擁有更好的世界理解能力

TL;DR: Qwen3-VL—Qwen系列中最強大的視覺語言模型—現在在SiliconFlow上可用。這次發布帶來突破性升級：卓越的文本理解與生成、多模態推理、高級空間與視頻感知、262K上下文窗口、32種語言的OCR，以及更強的代理交互。由密集與MoE架構支持，最高達235B參數，並結合Interleaved-MRoPE及DeepStack等創新技術，為多模態AI設立了新標杆。

現在，Instruct和Thinking變體均已在SiliconFlow上啟動。立即開始使用SiliconFlow的生產就緒API進行構建！

我們很高興宣布Qwen3-VL系列現在在SiliconFlow上可用。作為次世代視覺語言模型，旨在更好地看到、理解和回應世界，Qwen3-VL提供突破性能力，重新定義多模態AI。它實現了精確的视频理解、32種语言扩展的OCR，能够更好地处理罕见字符和古代文本，以及262K上下文窗口，用于超长内容分析。

SiliconFlow現在提供Instruct和Thinking版本：前者優化為高效執行，後者增強了深度推理——讓用戶能選擇最合適他們需求的模型。

通過SiliconFlow的Qwen3-VL API，您可以期待：

• 劃算的定價：

  • Qwen3-VL-30B-A3B-Instruct $0.29/M tokens（输入）和$1/M tokens（输出）

  • Qwen3-VL-30B-A3B-Thinking $0.29/M tokens（输入）和$1/M tokens（输出）

  • Qwen3-VL-235B-A22B-Instruct $0.3/M tokens（输入）和$1.5/M tokens（输出）

  • Qwen3-VL-235B-A22B-Thinking $0.45/M tokens（输入）和$3.5/M tokens（输出）

• 262K上下文窗口：支持无缝处理长篇文档及多次对话。

通過這些組合—30B與235B，Instruct與Thinking—SiliconFlow使開發者能夠選擇效率、深度與成本之間的平衡，將靈活的多模態智能引入生產行業，滿足各種規模需求。

為何Qwen3-VL很重要

大多数视觉语言模型面临权衡：广泛的能力或深度推理，但很少同时具备。一般模型在复杂逻辑上挣扎，专用模型则缺乏通用性。看到并不等于理解，理解不保证解决问题。

Qwen3-VL通过双版本方法解决了这一问题：

• Instruct：优化用于广泛的日常视觉语言任务，表现可靠。

• Thinking：增强了高级推理能力，能在STEM和数学方面解决复杂问题。

它们在三个关键领域共同解锁了能力：

1. 主动性

• 视觉代理：让AI为您导航应用程序和网站！识别UI元素，理解它们的功能，并自主执行多步任务。它还在全球基准测试中获得最高表现，例如OS World，使用工具显著提高其对精细感知任务的表现。

• 更好的空间理解：从绝对坐标到相对坐标的2D定位。它可以判断物体位置、视点变化和遮挡关系。它还支持3D定位，为复杂空间推理和具象AI应用铺平了道路。

• 设计至代码：上传截图或视频，生成可用于生产的Draw.io图表、HTML、CSS或JavaScript——让“所见即所得”的可视化编程成为现实。

2. 感知与理解

• 长时间段和长视频理解：所有模型本地支持262K上下文窗口，可扩展至1百万tokens。这意味着您可以输入数百页的技术文档、整本教科书，甚至是长达数小时的视频——模型会记住所有内容并准确检索细节。

• 扩展的OCR：支持32种语言，支持模糊/倾斜/低光图像的强劲表现，更好地处理罕见字符、古代文本和技术术语，以及改进了长文档的结构解析。

• 强化视觉感知与识别：通过提高预训练数据的质量和多样性，模型现在可以识别更广泛的对象——从名人、动漫角色、产品、地标，到动物和植物——覆盖了日常生活和专业“识别任何事物”的需求。

3. 数学与语言

• 更强的多模态推理（Thinking版本）：Thinking模型特为STEM和数学推理优化。应对复杂学科问题，它能注意细节，逐步分解问题，分析因果关系，并给出合乎逻辑、有依据的答案。在推理基准测试如MathVision、MMMU和MathVista上取得不错表现。

• 卓越的文本中心表现：Qwen3-VL在文本和视觉模态早期联合预训练中不断增强其语言能力。在文本任务上的表现可与Qwen3-235B-A22B-2507——旗舰语言模型相媲美——使其成为下一个世代的视觉语言模型的真正“文本基础，多模态强者”。

基準表現與技術架構更新

Qwen3-VL不仅展示了广泛的视觉语言技能，还在多模态和纯文本评估中表现出色。

• Qwen3-VL-235B-A22B-Instruct & Qwen3-VL-235B-A22B-Thinking：

除了基準表現，Qwen3-VL-235B-A22B-Instruct也在開源社群中取得了顯著的吸引力。根据OpenRouter的最新统计（2025年10月），它在图像处理方面排名#1，占48%的市场份额，超过其他领先的多模态模型如Gemini 2.5 Flash和Claude Sonnet 4.5。

特别地，SiliconFlow还作为提供商出现在OpenRouter上，提供Qwen3-VL-235B-A22B-Instruct和其他领先模型例如DeepSeek-V3.2-Exp、GLM-4.6、Kimi K2-0905和GPT-OSS-120B，给开发者统一接入广泛的尖端模型。

• Qwen3-VL-30B-A3B-Instruct & Qwen3-VL-30B-A3B-Thinking：

架构创新

三项核心突破推动Qwen3-VL的能力：

• Interleaved-MRoPE：通过强固的位置信息嵌入，增强长时间视频推理的时间、宽度和高度的全频段分配。

• DeepStack：融合多层ViT特征以捕捉细粒度细节并加强图像-文本匹配。

• 文本-时间戳对齐：超越T-RoPE，实现精确的时间戳事件定位，以增强视频时间建模。

实际应用场景

视频内容分析与索引：对数小时的视频进行帧准确的理解——询问“在第15分钟发生了什么？”或“总结穿红色衣服的演讲者讨论的关键主题。”适用于媒体公司、教育平台、需要高效长篇分析的内容审核。

智能文件处理：从复杂文件中提取结构化信息，支持32种语言——包括历史档案、技术手册和模糊扫描。处理整个书籍（最高可达1百万tokens），用于法律研究、学术分析或企业知识管理。

无代码开发和UI自动化：上传设计草图生成可用于生产的代码，或让视觉代理自行导航应用程序——填写表单、测试流程、执行多步骤任务。加速原型设计、QA自动化，减少人工编码时间。

STEM教育与研究：分析科学图表和数学方程，提供逐步推理。Thinking版分解复杂问题，解释因果关系，并为学生、研究人员和教育者提供有依据的答案。

立即开始

1. 1. 探索：在Qwen3-VL系列SiliconFlow遊樂場中試用。

2. 2. 整合：使用我們的OpenAI兼容API。在SiliconFlow API文檔中查看完整API規範。

import requestsurl = "https://api.siliconflow.com/v1/chat/completions"payload = {    "model": "Qwen/Qwen3-VL-235B-A22B-Thinking",    "messages": [        {            "role": "user",            "content": [                {                    "type": "image_url",                    "image_url": {"url": "https://sf-maas.s3.us-east-1.amazonaws.com/images/recukL5nm686G1.png"}                },                {                    "type": "text",                    "text": "What's this?"                }            ]        }    ]}headers = {    "Authorization": "Bearer <token>",    "Content-Type": "application/json"}response = requests.request("POST", url, json=payload, headers=headers)print(response.text)

無論您是在構建多模態代理、自動化UI工作流程，還是在分析數小時的视频，Qwen3-VL賦予您看、理解和推理的能力。

立即開始使用SiliconFlow的生產就緒API，立即將視覺智能引入您的工作流程！

商務或銷售諮詢 →

立即加入我們的Discord社群 →

在X上关注我们以获取最新更新 →

探索SiliconFlow上所有可用模型 →