Qwen: Qwen3 VL 8B Instruct

Qwen3-VL-8B-Instruct — это мультимодальная модель vision-language из серии Qwen3-VL, созданная для высокоточной интерпретации и рассуждений в области текста, изображений и видео. Она отличается улучшенной мультимодальной интеграцией с Interleaved-MRoPE для долгосрочных временных рассуждений, DeepStack для точного выравнивания визуальных и текстовых данных, а также выравниванием текста по временным меткам для точной локализации событий. Модель поддерживает нативное контекстное окно на 256K токенов, расширяемое до 1M токенов, и обрабатывает как статические, так и динамические медиаданные для таких задач, как разбор документов, ответы на визуальные вопросы, пространственные рассуждения и управление GUI. Она достигает понимания текста, сравнимого с ведущими LLMs, расширяя при этом охват OCR до 32 языков и повышая устойчивость к разнообразным визуальным условиям.