Qwen3-VL 235B-A22B Thinking — modelo de razonamiento de visión-lenguaje de peso abierto, 235B total / 22B parámetros activos, contexto de 128k.
Qwen3 VL 235B A22B Thinking es un modelo de lenguaje multimodal a gran escala de la familia Qwen. Emplea una arquitectura de mezcla de expertos, donde solo 22 mil millones de sus 235 mil millones de…
El modelo realiza una variedad de tareas de visión y lenguaje: descripción de imágenes, respuesta a preguntas visuales, reconocimiento de objetos y razonamiento espacial. Puede interpretar diagramas, gráficos y texto manuscrito. Gracias a su estructura MoE, activa los módulos expertos relevantes según la entrada, lo que ayuda a manejar diversos tipos de imágenes de manera eficiente. El modo thinking mejora aún más la precisión en acertijos visuales complejos o en el razonamiento de múltiples pasos sobre escenas. Para tareas simples como el conteo básico de objetos, un modelo más pequeño puede ser suficiente.
La entrada de video se maneja muestreando fotogramas a intervalos (configurables). El modelo puede resumir el contenido del video, responder preguntas sobre acciones u objetos en la grabación y detectar secuencias temporales. Trata el video como una serie de imágenes con una línea de tiempo, por lo que es posible razonar sobre causa y efecto o cambios a lo largo del tiempo. El modo de pensamiento es especialmente útil aquí porque puede articular conclusiones intermedias antes de ofrecer un análisis final. Para videos muy largos, pueden aplicarse límites de ventana de contexto.
Qwen3 VL 235B A22B Thinking es un gran modelo MoE con razonamiento especializado. Úselo cuando necesite alta precisión en tareas multimodales complejas, especialmente aquellas que requieren deducción lógica, análisis detallado de documentos o comprensión de video. Para subtitulado de imágenes simple, OCR básico o recuperación sencilla, los modelos más pequeños (p. ej., Qwen2.5 VL 7B) serán más rápidos y económicos. El modo thinking agrega tokens de salida, por lo que si no necesita cadena de pensamiento, desactívelo para reducir el costo y la latencia.
Como modelo MoE, puede presentar una latencia ligeramente mayor que los modelos densos de tamaño activo similar debido a la sobrecarga de enrutamiento. El modo de pensamiento puede generar cadenas de razonamiento extensas, lo que aumenta el número de tokens de salida y el costo. Está optimizado principalmente para texto en inglés, y el rendimiento en idiomas no ingleses o de bajos recursos puede ser más débil. El procesamiento de video está limitado por el número máximo de fotogramas que caben dentro de la ventana de contexto. El modelo también puede alucinar con entradas ambiguas o adversariales, como es común en los modelos de lenguaje grandes.
Las puntuaciones específicas de referencia para este modelo no se han proporcionado en los datos disponibles. Como miembro de la familia Qwen3 VL, hereda las fortalezas arquitectónicas de la serie, que generalmente logra resultados competitivos en tareas de lenguaje visual como VQAv2, MMLU (versión multimodal) y DocVQA. Sin embargo, el rendimiento puede variar según la tarea. Recomendamos probar el modelo con sus propios datos para evaluar su idoneidad. El modo de pensamiento generalmente mejora las puntuaciones en puntos de referencia que requieren razonamiento intenso.
La latencia depende del tamaño de la entrada, la cantidad de expertos activos (22B) y si el modo de pensamiento está habilitado. La arquitectura MoE permite un escalado eficiente en comparación con un modelo denso de 235B. La latencia del primer token es típica para un modelo de este tamaño activado (aproximadamente 22B parámetros). Para un prompt corto de imagen+texto sin pensamiento, el tiempo hasta el primer token puede ser de unos segundos. Con el modo de pensamiento habilitado y secuencias de salida largas, el tiempo total de inferencia puede aumentar significativamente. OrcaRouter proporciona monitoreo en tiempo real a través del dashboard de la API.
El diseño MoE con 22B parámetros activos ofrece un equilibrio favorable entre capacidad del modelo y costo computacional. Puede igualar o superar la precisión de un modelo denso de 70B en muchas tareas, utilizando menos FLOPs por token. El enrutamiento experto permite la especialización: diferentes expertos manejan distintos tipos de tareas visuales o de razonamiento. Esto hace que el modelo sea más robusto a cambios de dominio que un modelo denso más pequeño. La latencia es generalmente menor que la de un modelo denso de 235B, aunque mayor que la de un modelo denso de 22B.
A pesar de sus ventajas, el modelo no es una panacea. Puede tener dificultades con tareas que requieren una localización espacial precisa (por ejemplo, cuadros delimitadores exactos de objetos) a menos que se ajuste. El modo de pensamiento a veces puede producir razonamientos irrelevantes o circulares, aumentando el costo sin beneficio. La inferencia en imágenes de muy alta resolución puede ser ineficiente porque deben procesarse todas las particiones. Si su carga de trabajo está dominada por entradas simples y de baja varianza, un modelo más pequeño será más rentable y rápido.
El precio es de $0.40 por cada 1 millón de tokens de entrada y $4.00 por cada 1 millón de tokens de salida. Estas tarifas se facturan a la tarifa del proveedor sin margen adicional aplicado por OrcaRouter. Los tokens de entrada incluyen todas las indicaciones de texto, los tokens de imagen y los tokens de fotogramas de video. Los tokens de salida incluyen tanto la cadena de pensamiento (si está habilitada) como la respuesta final. Para una consulta multimodal típica de 1.000 tokens de entrada y 500 tokens de salida, el costo sería de $0.00040 + $0.00200 = $0.00240. Los costos totales escalan linealmente con el uso de tokens.
OrcaRouter no incrementa los precios de los proveedores, pero puede ofrecer opciones de caché como parte de su infraestructura. En concreto, el almacenamiento en caché de tokens de entrada puede reducir costos si reutilizas partes de las indicaciones (por ejemplo, mensajes del sistema o fragmentos de imágenes comunes). Consulta la documentación de OrcaRouter para conocer las políticas de caché más recientes. No existe una estructura de compromiso ni descuentos por volumen; pagas únicamente por los tokens consumidos. La ventaja de costo de MoE se realiza por token porque solo se usan 22B parámetros por paso.
Los tokens de entrada dependen del número de imágenes o fotogramas de video y de su resolución. Cada imagen se divide típicamente en parches de tamaño fijo, cada uno convertido en tokens. Las imágenes de alta resolución o los videos más largos aumentan sustancialmente el recuento de tokens de entrada. Los tokens de salida incluyen la cadena de pensamiento; una cadena de pensamiento típica para una pregunta de dificultad media puede añadir entre 200 y 500 tokens. La longitud máxima de salida es de 40,960 tokens, lo que permite secuencias de razonamiento muy largas si es necesario. Planifique su presupuesto en consecuencia.
Usa el endpoint de API compatible con OpenAI con URL base https://api.orcarouter.ai/v1. Establece el parámetro model en "qwen/qwen3-vl-235b-a22b-thinking". La autenticación se realiza mediante una clave API incluida en el encabezado Authorization. El formato de solicitud sigue la convención de chat completions de OpenAI con mensajes. Para entradas multimodales, incluye un arreglo content con type "text" y type "image_url" (o "video_url" para videos). Ejemplo: curl -X POST https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_KEY" -H "Content-Type: application/json" -d '{"model":"qwen/qwen3-vl-235b-a22b-thinking","messages":[{"role":"user","content":[{"type":"text","text":"What is in this image?"},{"type":"image_url","image_url":{"url":"https://example.com/photo.jpg"}}]}]}'
Además de los parámetros estándar compatibles con OpenAI (temperature, top_p, max_tokens, stop, etc.), este modelo admite un parámetro "thinking" para habilitar o deshabilitar el modo de cadena de pensamiento. Establezca "thinking": true (predeterminado) para incluir el razonamiento, o false para generar solo la respuesta final. Otros parámetros específicos del modelo pueden incluir "max_thinking_tokens" para limitar la longitud de la cadena de razonamiento. Consulte la documentación de la API de OrcaRouter para obtener una lista completa. El formato de respuesta es idéntico al de OpenAI, con la cadena de pensamiento incluida como parte del contenido si está habilitada.
Si actualmente usas GPT-4V o GPT-4o de OpenAI, la migración es sencilla. Cambia la URL base a https://api.orcarouter.ai/v1, utiliza tu clave API de OrcaRouter y establece el modelo en "qwen/qwen3-vl-235b-a22b-thinking". La API de finalización de chat tiene el mismo esquema. Ten en cuenta que el modo de pensamiento puede producir resultados más largos; puedes desactivarlo con "thinking": false. Las entradas de imagen y video utilizan la misma estructura de tipo de contenido. Prueba primero con un número pequeño de solicitudes para verificar la compatibilidad y el costo.
La entrada de video se proporciona como una URL a un archivo de video (p. ej., MP4). En el arreglo de contenido de mensajes, usa type "video_url" con un campo url. El backend de OrcaRouter muestreará fotogramas del video hasta un número máximo que quepa dentro de la ventana de contexto. Opcionalmente, puedes especificar un parámetro frame_sample_rate. Luego, el modelo procesa los fotogramas muestreados como una secuencia. El modo de pensamiento puede razonar a través de los fotogramas para comprender eventos temporales. Para videos muy largos, considera prefiltrar o dividir en segmentos.
Qwen3 VL 235B A22B Thinking utiliza una arquitectura MoE con 22B parámetros activos, mientras que GPT-4o es un modelo denso de tamaño no revelado. Ambos admiten entrada de imagen, texto y video. El modo de pensamiento proporciona razonamiento explícito, algo que GPT-4o no hace por defecto (aunque se puede solicitar una cadena de pensamiento). Qwen3 VL es generalmente más rentable por token ($0.40/$4.00 frente a los $5/$15 de GPT-4o por cada 1 millón de tokens de entrada/salida). La latencia puede ser mayor debido al enrutamiento MoE. El rendimiento depende de la tarea específica; recomendamos una evaluación comparativa.
Gemini 2.0 Flash es un modelo más pequeño y rápido, optimizado para baja latencia. Qwen3 VL 235B A22B Thinking ofrece una mayor capacidad efectiva mediante MoE y un modo de pensamiento integrado. Gemini Flash tiene una ventana de contexto de ~1M tokens, mientras que Qwen3 VL tiene 131K. Para tareas que requieren razonamiento profundo sobre imágenes complejas, Qwen3 VL puede producir resultados más precisos. Sin embargo, para tareas simples o sensibles al tiempo, Gemini Flash será más rápido y económico. Ambos son accesibles a través de la API de OrcaRouter.
Llama 3.2 90B es un modelo denso de visión y lenguaje con 90 mil millones de parámetros. Qwen3 VL 235B A22B tiene más parámetros en total, pero activa solo 22B, lo que potencialmente utiliza menos FLOPs por token. Llama 3.2 solo admite entrada de imágenes (no video). El modo de pensamiento en Qwen3 VL proporciona razonamiento explícito, mientras que Llama no tiene un mecanismo incorporado. El precio de Llama 3.2 a través de OrcaRouter suele ser más bajo por token, pero para tareas donde la profundidad del razonamiento importa, Qwen3 VL puede ofrecer mejores resultados. La ventana de contexto es mayor en Qwen3 VL (131K frente a 128K).
Este modelo (235B total, 22B activos) es el más grande de la familia Qwen3 VL MoE. Las variantes más pequeñas (p. ej., 72B total / 15B activos) son más baratas y rápidas. Elige este modelo cuando necesites la mayor precisión posible en tareas desafiantes de razonamiento multimodal, comprensión de video, o cuando el modo de pensamiento agregue valor. Para tareas que son bien manejadas por modelos más pequeños, como subtitulado simple o clasificación, el ahorro de costes de un MoE más pequeño (o modelo denso) será significativo.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="qwen/qwen3-vl-235b-a22b-thinking",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)enable_searchenable_thinkinginclude_reasoninglogprobsmax_tokensnparallel_tool_callspresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstream_optionstemperaturethinking_budgettool_choicetoolstop_ktop_logprobstop_p| Entrada / 1M tokens | $0.400 |
|---|---|
| Salida / 1M tokens | $4.00 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
Compara los costes mensuales de los modelos en la calculadora de costes de LLM
De qué hablan los desarrolladores esta semana
GET /api/public/models/qwen/qwen3-vl-235b-a22b-thinkingAbrir @misc{orcarouter_qwen3_vl_235b_a22b_thinking,
title = {Qwen3 VL 235B A22B Thinking API},
author = {Qwen},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3-vl-235b-a22b-thinking}
}Qwen. (2025). Qwen3 VL 235B A22B Thinking API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3-vl-235b-a22b-thinking