Qwen3-VL 发布说明

Ollama 已宣布在云端平台上线 Qwen3-VL，本地版本计划于未来版本发布。Qwen3-VL 是 Qwen 系列中功能最强大的视觉语言模型，旨在将高级视觉识别与先进的推理及智能体能力相结合。

高级视觉与智能体能力

Qwen3-VL 作为视觉智能体，能够通过识别界面元素、理解功能并调用工具来操作 PC 和移动设备的 GUI，完成任务。它还提供「视觉编码增强」功能，可直接从图像或视频生成 HTML、CSS、JS 和 Draw.io 文件。

空间感知与定位能力

该模型具备先进的空间感知能力，能够判断物体的位置、视角和遮挡情况。这提供了更强的二维定位能力，并引入了三维定位功能，对空间推理和具身智能应用至关重要。

多模态推理与识别

Qwen3-VL 在 STEM 和数学领域表现出色，能够提供因果分析和基于证据的逻辑回答。其视觉识别能力通过更广泛、更高品质的预训练得到提升，可识别更广泛的物体，包括地标、动植物、名人和产品。

文档理解与长上下文处理

Qwen3-VL 提供无缝的文本-视觉融合，确保文本理解能力与纯大型语言模型（LLMs）相当。

扩展的 OCR 与结构解析

该模型的光学字符识别（OCR）能力已扩展至支持 32 种语言，较之前的 19 种有所增加。它在模糊、倾斜和低光条件下表现出更强的鲁棒性，并在处理术语、罕见或古文字方面性能更优。此外，模型在解析长文档结构方面也有所提升。

视频与长上下文处理

Qwen3-VL 拥有原生 256K 标记的上下文窗口，可扩展至 1M 标记。这使得模型能够处理长达数小时的视频和整本书籍，支持秒级索引和完整召回。

部署与集成

Qwen3-VL 目前可通过 Ollama 的云服务获取。用户可使用以下方式访问该模型的 235B 参数版本：

命令行界面（CLI）

用户可直接通过以下命令运行模型：

ollama run qwen3-vl:235b-cloud

软件库

Ollama 提供官方的 JavaScript 和 Python 库用于集成。两个库均支持非流式和流式输出。例如，使用 Python 库时，用户可按如下方式拉取模型并与其对话：

from ollama import chat

response = chat(
    model='qwen3-vl:235b-cloud', 
    messages=[{
        'role': 'user',
        'content': '这是什么？',
        'images': ['./image.jpg']
    }],
)
print(response.message.content)

API 访问

该模型可通过 Ollama 云 API 和 OpenAI 兼容 API 访问。OpenAI 兼容端点支持聊天补全、补全和嵌入功能，使用 https://ollama.com/v1 作为基础 URL。