Qwen3-VL 235B-A22B Instruct — オープンウェイトのビジョン言語モデル、総パラメータ235B / アクティブパラメータ22B、コンテキスト256k、思考モードなし。
Qwen3 VL 235B A22B Instructは、Alibaba Cloudが構築したQwen3モデルシリーズのビジョン・ランゲージバリアントです。このモデルは、合計2350億のパラメータを持つmixture-of-experts設計を採用しており、そのうち1フォワードパスあたり約220億のパラメータがアクティブになります。このMoE構造により、モデルは高い容量を維持しつつ、同程度の総サイ…
このモデルは、画像とテキストが相互に作用するタスクに優れています。画像の内容に関する質問に答えたり、シーンを詳細に説明したり、文書や看板からテキストを読み取ったり、画像内のオブジェクト間の関係を推論したりできます。また、単一の会話で複数の画像を扱うことができ、比較分析や逐次推論が可能です。指示チューニングにより、モデルは複雑なマルチモーダルプロンプトに従うことができます。例えば、'Explain why this chart shows a trend' や 'Extract all numerical values from this table.' などです。これらの能力は、大規模なMoEバックボーンと専門的な視覚言語トレーニングに由来します。
Instructバリアントであるため、このモデルはテキストのみのプロンプトとマルチモーダルプロンプトの両方において、ユーザーの指示に高い忠実度で従うよう微調整されています。画像が段階的に導入されるマルチターンダイアログを処理し、複数のやり取りにわたってコンテキストを維持し、フォーマット指示（例：JSON、箇条書き、ステップバイステップでの出力）に従うことができます。また、「画像に犬が含まれている場合のみ回答する」のような制約を守る必要があるタスクでも良好に機能します。これにより、一貫性のあるルールに従う行動が重要なアプリケーションに適しています。
テキストのみのタスクで視覚要素がない場合、235B MoEモデルはオーバーキルかもしれません。より小型のdenseモデルや他のテキスト専用のQwenバリアントの方がコスト効率が良いでしょう。同様に、画像がシンプルな場合（例：基本的なロゴ、単一のオブジェクト）や、予算内で極めて高いスループットが必要な場合、Qwen2-VL 7Bのような小型のビジョンモデルで十分かもしれません。このモデルは、複雑で高解像度の画像、テキストが密集したドキュメント、または深いマルチモーダル推論を必要とするタスクを処理する必要がある場合に最も適しています。OrcaRouterでは、価格を比較し、モデルIDを簡単に切り替えることができます。
いいえ。Qwen3 VL 235B A22B Instructは、画像を入力として受け付けるテキスト生成モデルです。画像、音声、その他のモダリティを生成することはありません。出力は常にテキスト文字列です。画像生成が必要な場合は、別のモデルを使用することになります。このモデルの強みは、視覚入力の理解と推論にあります。例えば、画像がどのように見えるかを説明したり、画像に関する質問に答えたりすることはできますが、画像自体を作成、編集、変換することはできません。
このモデルの報告されたMMLU-Proスコアは82.3です。MMLU-Proは、Massive Multitask Language Understandingベンチマークの拡張版であり、STEM、人文科学、社会科学にわたる57の科目をカバーしています。82.3というスコアは、多様なトピックにわたる強力な一般知識と推論能力を示しています。これは単一の数値による総合評価であり、科目ごとに性能は異なる可能性があります。このスコアにより、本モデルは同じサイズクラスの中でトップパフォーマーの一角に位置づけられ、特にクエリごとに全パラメータの一部のみを活性化するMoEアーキテクチャを考慮すると、その優位性が際立ちます。
強みとしては、マルチモーダル推論ベンチマークにおける高い精度、強力な指示追従能力、および同程度の総パラメータ数を持つ密なモデルと比較したコスト効率が挙げられます。MoE設計により、比例した計算コストをかけずに容量を拡張できます。制限としては、より小規模なモデルと比較して絶対的なコストが高いこと、総パラメータ数が多いためにレイテンシが増加する可能性があること（アクティブなパラメータは22Bのみですが、フルモデルをメモリにロードする必要があります）が挙げられます。また、画像の細かいディテールを幻覚することがあったり、非常に曖昧な視覚入力に対して失敗することがあります。特定のドメインタスク（例：医療画像）でのパフォーマンスは保証されていません。
推論速度は、OrcaRouterが使用するハードウェアバックエンドと現在の負荷に依存します。2350億の総パラメータを持つMoEモデルとして、トークンごとにアクティブになるのは220億パラメータのみですが、それでもかなりのGPUメモリを必要とします。これは通常、より小さな高密度モデル（例：7B〜70Bパラメータ）と比較して、リクエストごとのレイテンシが高くなります。スループットは、バッチサイズとシーケンス長にも影響されます。レイテンシに敏感なアプリケーションでは、より小さなモデルを使用するか、より短いプロンプトに最適化することを検討してください。OrcaRouterは特定のレイテンシ保証を提供するものではありませんが、プロダクショングレードの応答性を目指しています。
OrcaRouterはプロバイダーの提示レートをそのまま請求します: 入力トークン100万トークンあたり$0.40、出力トークン100万トークンあたり$1.60です。追加のマークアップはありません。入力トークンと出力トークンの両方はOpenAIのトークン化ルールに従ってカウントされ、これはモデルの内部トークナイザーと若干異なる場合があります。画像もプロバイダーのポリシーに従い、その寸法と詳細レベルに基づいてトークンとして課金されます。予想されるトークン使用量にこれらのレートを掛けることで、コストを見積もることができます。
トークンあたりのコストは、小規模または高密度モデルよりも高くなりますが、MoEアーキテクチャは、アクティブパラメータあたりの容量が同等のアクティブサイズの高密度モデルよりも大きくなります。複雑なマルチモーダルタスクでは、このモデルは少ないトークン数でタスクを完了するか、高い精度でタスクを完了できるため、総支出を削減できる可能性があります。ただし、単純なタスクでは、より安価なモデルを使用することでコストを削減できます。OrcaRouterでは、モデルをその場で切り替えることができるため、必要なときだけこのモデルを使用できます。月額の最低契約や隠れた手数料はありません。
OrcaRouterは現在、このモデルに対する具体的なキャッシュポリシーを開示していません。トークンレベルのキャッシュが基盤プロバイダーによって適用される可能性がありますが、保証はされていません。一括割引や段階的価格設定の記載はなく、料金はトークンあたり一律です。大量利用者の場合、カスタム契約の可能性についてOrcaRouterサポートに問い合わせる価値があるかもしれません。概して、価格設定は透明で利用量に基づいています。
画像は解像度と詳細設定に基づいてトークン数に変換されます。正確な計算式はプロバイダー（Qwen）によって定義されており、異なる場合があります。通常、解像度が高い画像ほど多くのトークンを消費します。OrcaRouterはプロバイダーのトークン化を変更せずにそのまま通過させます。モデルが対応している場合は、画像のリサイズや低詳細モードを使用することでコストを制御できます。正確な画像トークンの計算については、常にプロバイダーのドキュメントを参照してください。画像の入力トークンは、100万トークンあたり0.40ドルのレートにカウントされます。
https://api.orcarouter.ai/v1/chat/completions にPOSTリクエストを送信し、OpenAI互換のJSONペイロードを使用します。modelフィールドを「qwen/qwen3-vl-235b-a22b-instruct」に設定します。各メッセージがテキストおよび/または画像コンテンツを含むことができるmessages配列を含めます。画像の場合、標準のOpenAI画像コンテンツ形式（URLまたはbase64）を使用します。認証はBearerトークン（APIキー）を介して行われます。パラメータの例：temperature、max_tokens、top_p、stopシーケンスはOpenAI APIと同様に機能します。OrcaRouterのドキュメントに詳細が記載されています。
すべての標準的なチャット完了パラメータがサポートされています：temperature (0-2、デフォルト1)、top_p (0-1、デフォルト1)、max_tokens (出力トークン数)、stop (文字列のリスト)、presence_penalty、frequency_penalty、および再現性のためのseed。モデルはまた、動作設定のためのシステムメッセージを尊重します。マルチモーダルリクエストの場合、ユーザーメッセージのコンテンツに画像部分を含めます。モデル固有のパラメータは公開されていません。APIは互換性のために汎用的に保たれています。MoEルーティングを制御する必要がある場合、それは内部で処理されます。
はい。OrcaRouterはOpenAI API形式を使用しているため、移行は簡単です。既存のベースURLとモデルIDをOrcaRouterのエンドポイントと"qwen/qwen3-vl-235b-a22b-instruct"に置き換えてください。APIキーが有効で、十分なクレジットがあることを確認してください。画像のメッセージ形式はOpenAIと同じです（'image_url'コンテンツタイプを使用）。トークン化が異なるため、トークン数の見積もりを調整する必要があるかもしれません。アプリケーションのロジックの変更は、エンドポイントとモデル名以外には必要ありません。
Qwen3 VL 235B A22B InstructとGPT-4Vは両方ともマルチモーダル入力を処理できます。主な違い：Qwen3 VLは22Bのアクティブパラメータを持つMoEを採用しているのに対し、GPT-4Vは非公開サイズの独自の高密度モデルです。OrcaRouterを通じたQwen3 VLの価格は100万トークンあたり$0.40/$1.60で、一般的なGPT-4Vの料金よりも大幅に低くなっています。ベンチマークスコアは、MMLU-Proなどのテストが異なるサブセットを使用するため、直接比較できません。GPT-4Vはより広範なエコシステムサポートを提供しますが、Qwen3 VLはOrcaRouter上の高ボリュームマルチモーダルワークロードにおいてコスト優位性を提供します。
Claude 3.5 SonnetはAnthropicの高密度モデルであり、強力なテキストおよびビジョン機能を備えています。MoEを使用していないため、総パラメータ数ではQwen3 VLより少ないものの、推論あたりのアクティブ容量は22Bを上回ります。Claude 3.5 Sonnetの価格は一般的にトークンあたり高く（約$3.00/$15.00 per million tokens）、Qwen3 VLはマルチモーダルタスクにおいてはるかに低コストを提供します。ただし、Claudeモデルはより大きなコンテキストウィンドウ（200Kトークン）を持っています。選択は予算、コンテキスト長のニーズ、および好みのプロバイダーに依存します。
OrcaRouter は、Qwen2.5 7B、Qwen2.5 72B、Qwen2-VL などの他の Qwen モデルも提供している可能性があります。Qwen3 VL 235B A22B Instruct は、Qwen シリーズの中で最大のマルチモーダル MoE モデルです。Qwen2-VL 72B と比較して、パラメータ総数が多く、MoE アーキテクチャを採用しており、複雑なタスクで優れたパフォーマンスを発揮しつつ、推論コストを妥当な範囲に抑えることができます。トークンあたりのコストは小型の Qwen モデルより高くなりますが、複数回の呼び出しや高トークン消費を減らせる場合には費用対効果が高い可能性があります。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3-vl-235b-a22b-instruct",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| 入力 / 1M tokens | $0.400 |
| 出力 / 1M tokens | $1.60 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
@misc{orcarouter_qwen3_vl_235b_a22b_instruct,
title = {Qwen3 VL 235B A22B Instruct API},
author = {Qwen},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3-vl-235b-a22b-instruct}
}Qwen. (2025). Qwen3 VL 235B A22B Instruct API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3-vl-235b-a22b-instruct