Qwen3-VL 235B-A22B Thinking — modèle de raisonnement vision-langage à poids ouverts, 235B total / 22B paramètres actifs, contexte 128k.
Qwen3 VL 235B A22B Thinking est un modèle de langage multimodal à grande échelle de la famille Qwen. Il utilise une architecture de mélange d'experts, où seulement 22 de ses 235 milliards de…
Le modèle exécute une gamme de tâches vision-langage : le légendage d'images, la réponse à des questions visuelles, la reconnaissance d'objets et le raisonnement spatial. Il peut interpréter des diagrammes, des graphiques et des textes manuscrits. Grâce à sa structure MoE, il active les modules experts pertinents pour chaque entrée, ce qui aide à traiter efficacement divers types d'images. Le mode pensée améliore encore la précision sur les puzzles visuels complexes ou le raisonnement en plusieurs étapes sur les scènes. Pour les tâches simples comme le comptage basique d'objets, un modèle plus petit peut suffire.
L'entrée vidéo est gérée en échantillonnant des images à intervalles (configurables). Le modèle peut résumer le contenu vidéo, répondre à des questions sur les actions ou objets dans la séquence et détecter des séquences temporelles. Il traite la vidéo comme une série d'images avec une chronologie, ce qui permet de raisonner sur la cause et l'effet ou les changements au fil du temps. Le mode de réflexion est particulièrement utile ici car il peut articuler des conclusions intermédiaires avant de fournir une analyse finale. Pour les vidéos très longues, des limites de fenêtre de contexte peuvent s'appliquer.
Qwen3 VL 235B A22B Thinking est un grand modèle MoE doté d’un raisonnement spécialisé. Utilisez-le lorsque vous avez besoin d’une grande précision sur des tâches multimodales complexes, en particulier celles nécessitant un raisonnement logique, une analyse détaillée de documents ou la compréhension de vidéos. Pour des tâches simples comme la génération de légendes d’images, la ROC de base ou la recherche simple, des modèles plus petits (par exemple, Qwen2.5 VL 7B) seront plus rapides et moins coûteux. Le mode réflexion ajoute des jetons de sortie ; si vous n’avez pas besoin de chaîne de raisonnement, désactivez-le pour réduire les coûts et la latence.
En tant que modèle MoE, il peut présenter une latence légèrement plus élevée que les modèles denses de taille activée similaire en raison de la surcharge de routage. Le mode de réflexion peut produire de longues chaînes de raisonnement, augmentant le nombre de jetons de sortie et le coût. Il est principalement optimisé pour les textes en anglais, et les performances sur les langues autres que l'anglais ou les langues peu dotées peuvent être moins bonnes. Le traitement vidéo est limité par le nombre maximal d'images pouvant tenir dans la fenêtre de contexte. Le modèle peut également halluciner sur des entrées ambiguës ou adversariales, comme c'est courant avec les grands modèles de langage.
Les scores de référence spécifiques pour ce modèle n'ont pas été fournis dans les données disponibles. En tant que membre de la famille Qwen3 VL, il hérite des atouts architecturaux de la série, qui obtient généralement des résultats compétitifs sur des tâches de vision-langage telles que VQAv2, MMLU (version multimodale) et DocVQA. Cependant, les performances peuvent varier selon la tâche. Nous recommandons de tester le modèle sur vos propres données pour évaluer son adéquation. Le mode de réflexion améliore généralement les scores sur les benchmarks très exigeants en raisonnement.
La latence dépend de la taille d'entrée, du nombre d'experts actifs (22B) et de l'activation du mode de réflexion. L'architecture MoE permet une mise à l'échelle efficace par rapport à un modèle dense de 235B. La latence du premier token est typique pour un modèle de cette taille activée (environ 22B paramètres). Pour une brève invite image+texte sans réflexion, le temps jusqu'au premier token peut être de quelques secondes. Avec le mode de réflexion activé et de longues séquences de sortie, le temps d'inférence total peut augmenter considérablement. OrcaRouter fournit une surveillance en temps réel via le tableau de bord API.
La conception MoE avec 22B paramètres actifs offre un bon compromis entre capacité du modèle et coût de calcul. Elle peut égaler ou dépasser la précision d'un modèle dense de 70B sur de nombreuses tâches tout en utilisant moins de FLOPs par token. Le routage des experts permet la spécialisation : différents experts gèrent différents types de tâches visuelles ou de raisonnement. Cela rend le modèle plus robuste aux changements de domaine qu'un modèle dense plus petit. La latence est généralement inférieure à celle d'un modèle dense de 235B, bien qu'elle soit plus élevée que celle d'un modèle dense de 22B.
Malgré ses avantages, le modèle n'est pas une panacée. Il peut avoir des difficultés avec les tâches nécessitant une localisation spatiale précise (par exemple, les boîtes englobantes exactes d'objets) sauf s'il est affiné. Le mode de réflexion peut parfois produire un raisonnement non pertinent ou circulaire, augmentant le coût sans bénéfice. L'inférence sur des images à très haute résolution peut être inefficace car tous les patches doivent être traités. Si votre charge de travail est dominée par des entrées simples et à faible variance, un modèle plus petit sera plus rentable et plus rapide.
Le prix est de $0.40 pour 1 million de jetons d'entrée et $4.00 pour 1 million de jetons de sortie. Ces tarifs sont facturés au tarif du fournisseur sans marge appliquée par OrcaRouter. Les jetons d'entrée incluent toutes les invites textuelles, les jetons d'image et les jetons de trames vidéo. Les jetons de sortie incluent à la fois la chaîne de réflexion (si activée) et la réponse finale. Pour une requête multimodale typique de 1,000 jetons d'entrée et 500 jetons de sortie, le coût serait de $0.00040 + $0.00200 = $0.00240. Les coûts totaux augmentent linéairement avec l'utilisation des jetons.
OrcaRouter ne majore pas les prix des fournisseurs, mais peut offrir des options de mise en cache dans le cadre de son infrastructure. Plus précisément, la mise en cache des jetons d'entrée peut réduire les coûts si vous réutilisez des parties de prompts (par exemple, des messages système ou des extraits d'images courants). Consultez la documentation d'OrcaRouter pour les dernières politiques de mise en cache. Il n'y a pas d'engagement ni de structure de remise en volume ; vous payez uniquement pour les jetons consommés. L'avantage de coût du MoE se réalise par jeton, car seuls 22B paramètres sont utilisés par étape.
Les jetons d’entrée dépendent du nombre d’images ou de trames vidéo et de leur résolution. Chaque image est généralement divisée en segments de taille fixe, chacun étant converti en jetons. Les images haute résolution ou les vidéos longues augmentent considérablement le nombre de jetons d’entrée. Les jetons de sortie incluent la chaîne de raisonnement ; une chaîne de réflexion typique pour une question de difficulté moyenne peut ajouter 200 à 500 jetons. La longueur maximale de sortie est de 40 960 jetons, ce qui permet des séquences de raisonnement très longues si nécessaire. Planifiez votre budget en conséquence.
Utilisez le point de terminaison API compatible OpenAI avec l'URL de base https://api.orcarouter.ai/v1. Définissez le paramètre model sur "qwen/qwen3-vl-235b-a22b-thinking". L'authentification se fait via une clé API incluse dans l'en-tête Authorization. Le format de la requête suit la convention de chat completions d'OpenAI avec des messages. Pour les entrées multimodales, incluez un tableau content avec les types "text" et "image_url" (ou "video_url" pour les vidéos). Exemple : 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"}}]}]}'
En plus des paramètres standards compatibles avec OpenAI (temperature, top_p, max_tokens, stop, etc.), ce modèle prend en charge un paramètre « thinking » pour activer ou désactiver le mode de chaîne de pensée. Définissez « thinking » : true (par défaut) pour inclure le raisonnement, ou false pour n’afficher que la réponse finale. D’autres paramètres spécifiques au modèle incluent « max_thinking_tokens » pour limiter la longueur de la chaîne de raisonnement. Consultez la documentation de l’API OrcaRouter pour une liste complète. Le format de réponse est identique à celui d’OpenAI, la chaîne de pensée étant incluse dans le contenu si activé.
Si vous utilisez actuellement GPT-4V ou GPT-4o d'OpenAI, la migration est simple. Remplacez l'URL de base par https://api.orcarouter.ai/v1, utilisez votre clé API OrcaRouter et définissez le modèle sur "qwen/qwen3-vl-235b-a22b-thinking". L'API de complétion de chat est identique en termes de schéma. Notez que le mode de réflexion peut produire des sorties plus longues ; vous pouvez le désactiver avec "thinking": false. Les entrées d'images et de vidéos utilisent la même structure de type de contenu. Testez avec un petit nombre de requêtes d'abord pour vérifier la compatibilité et le coût.
L'entrée vidéo est fournie sous forme d'URL pointant vers un fichier vidéo (par exemple, MP4). Dans le tableau de contenu des messages, utilisez le type "video_url" avec un champ url. Le backend d'OrcaRouter échantillonnera les images de la vidéo jusqu'à un nombre maximal qui tient dans la fenêtre de contexte. Vous pouvez éventuellement spécifier un paramètre frame_sample_rate. Le modèle traite ensuite les images échantillonnées comme une séquence. Le mode de réflexion peut raisonner à travers les images pour comprendre les événements temporels. Pour les vidéos très longues, envisagez un pré-filtrage ou une division en segments.
Qwen3 VL 235B A22B Thinking utilise une architecture MoE avec 22B paramètres actifs, tandis que GPT-4o est un modèle dense de taille non divulguée. Les deux prennent en charge l’entrée d’images, de texte et de vidéo. Le mode réflexion fournit un raisonnement explicite, ce que GPT-4o ne fait pas par défaut (bien que vous puissiez utiliser le prompting chain-of-thought). Qwen3 VL est généralement plus rentable par token ($0.40/$4.00 contre les $5/$15 de GPT-4o par million de tokens d’entrée/sortie). La latence peut être plus élevée en raison du routage MoE. Les performances dépendent de la tâche spécifique ; nous recommandons une évaluation côte à côte.
Gemini 2.0 Flash est un modèle plus petit et plus rapide, optimisé pour une faible latence. Qwen3 VL 235B A22B Thinking offre une capacité effective plus grande grâce au MoE et un mode de réflexion intégré. Gemini Flash a une fenêtre de contexte d'environ 1M tokens, tandis que Qwen3 VL en a 131K. Pour les tâches nécessitant un raisonnement approfondi sur des visuels complexes, Qwen3 VL peut produire des résultats plus précis. Cependant, pour les tâches simples ou urgentes, Gemini Flash sera plus rapide et moins cher. Les deux sont accessibles via l'API d'OrcaRouter.
Llama 3.2 90B est un modèle dense de vision-langage avec 90B paramètres. Qwen3 VL 235B A22B a plus de paramètres totaux mais n'en active que 22B, utilisant potentiellement moins de FLOPs par token. Llama 3.2 prend en charge uniquement l'entrée d'image (pas la vidéo). Le mode de réflexion dans Qwen3 VL fournit un raisonnement explicite, tandis que Llama n'a pas de mécanisme intégré. La tarification de Llama 3.2 via OrcaRouter est généralement plus basse par token, mais pour les tâches où la profondeur de raisonnement compte, Qwen3 VL peut offrir de meilleurs résultats. La fenêtre de contexte est plus grande dans Qwen3 VL (131K vs. 128K).
Ce modèle (235B total, 22B actif) est le plus grand de la famille Qwen3 VL MoE. Les variantes plus petites (p. ex., 72B total / 15B actif) sont moins chères et plus rapides. Choisissez ce modèle lorsque vous avez besoin de la plus haute précision possible sur des tâches de raisonnement multimodal difficiles, de compréhension vidéo, ou lorsque le mode de réflexion ajoute de la valeur. Pour les tâches bien traitées par des modèles plus petits, telles que la génération de légendes simples ou la classification, les économies de coût d'un MoE plus petit (ou d'un modèle dense) seront significatives.
Compatible OpenAI — gardez votre SDK actuel
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrée / 1M tokens | $0.400 |
| Sortie / 1M tokens | $4.00 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/qwen/qwen3-vl-235b-a22b-thinkingOuvrir @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