阿里云Qwen3-VL-30B开源模型性能对标GPT-5-Mini

10月4日最新动态，阿里云通义千问团队正式开源发布Qwen3-VL-30B-A3B-Instruct和Thinking两大模型，同时推出FP8精度的新版本，以及超大规模模型Qwen3-VL-235B-A22B的FP8优化版本。

据介绍，最新开源的Qwen3-VL-30B-A3B-Instruct与Thinking模型虽然参数规模更精简，但依然保持了卓越性能，完整继承了Qwen3-VL系列的核心能力。仅需30亿激活参数，就能在STEM学科、视觉问答(VQA)、文字识别(OCR)、视频理解和智能体(Agent)等多项任务中，与GPT-5-Mini和Claude4-Sonnet等业界标杆相抗衡，部分场景表现更胜一筹。

目前这些模型已在魔搭社区和Hugging Face平台开放免费下载，并同步上线Qwen Chat服务。

以Qwen3-VL-30B-A3B-Instruct为例，其主要特性包括：

通义千问3-VL系列——迄今为止最先进的视觉语言模型。

新一代产品在各项能力上实现全方位升级：更精准的文本理解与生成能力、更敏锐的视觉感知与推理能力、更长的上下文处理长度、更强的空间定位与视频动态理解能力，以及更出色的智能体交互性能。

提供从边缘计算到云端部署的密集型和MoE架构选择，同时包含标准Instruct版本和推理增强型Thinking版本，满足不同场景需求。

核心技术突破：

• 视觉智能体：支持操作PC/移动端图形界面，可识别UI元素、理解功能逻辑、调用系统工具完成复杂任务

• 视觉编码增强：直接从图像/视频生成Draw.io图表和HTML/CSS/JS代码

• 三维空间感知：准确判断目标的相对位置、视角关系和遮挡状态，在2D场景理解基础上拓展3D空间推理能力

• 长文本与视频理解：原生支持256K上下文窗口，可扩展至1M规模，能完整解析书籍内容和数小时视频素材

• 多模态推理：在STEM和数学领域展现出强大的因果分析和逻辑推理能力

• 全场景视觉识别：经过高质量训练，可精准识别名人面孔、动漫角色、商品品牌、地理地标、动植物种类等

• 多语言OCR：支持32种语言文字识别（原19种），在低光照、模糊抖动等恶劣条件下仍保持稳定表现

• 媲美纯文本模型的语义理解能力：实现视觉与语言信息的无缝融合，形成统一认知体系

资源获取渠道：

魔搭社区：Qwen3-VL

Hugging Face：Qwen3-VL