Qwen3-VL 235B-A22B Thinking — modelo de raciocínio visão-linguagem de pesos abertos, 235B total / 22B parâmetros ativos, 128k de contexto.
Qwen3 VL 235B A22B Thinking é um modelo de linguagem multimodal de grande escala da família Qwen. Ele emprega uma arquitetura de mistura de especialistas, onde apenas 22 bilhões de seus 235 bilhões…
O modelo executa uma série de tarefas de visão-linguagem: legendagem de imagens, resposta a perguntas visuais, reconhecimento de objetos e raciocínio espacial. Ele consegue interpretar diagramas, gráficos e texto manuscrito. Devido à sua estrutura MoE, ativa módulos especialistas relevantes para cada entrada, o que ajuda a lidar eficientemente com diversos tipos de imagem. O modo de raciocínio melhora ainda mais a precisão em quebra-cabeças visuais complexos ou raciocínio em múltiplas etapas sobre cenas. Para tarefas simples, como contagem básica de objetos, um modelo menor pode ser suficiente.
A entrada de vídeo é tratada pela amostragem de quadros em intervalos (configurável). O modelo pode resumir o conteúdo do vídeo, responder a perguntas sobre ações ou objetos na gravação e detectar sequências temporais. Ele trata o vídeo como uma série de imagens com uma linha do tempo, portanto, é possível raciocinar sobre causa e efeito ou mudanças ao longo do tempo. O modo de pensamento é especialmente útil aqui, porque ele pode articular conclusões intermediárias antes de fornecer uma análise final. Para vídeos muito longos, podem ser aplicados limites de janela de contexto.
Qwen3 VL 235B A22B Thinking é um grande modelo MoE com raciocínio especializado. Use-o quando precisar de alta precisão em tarefas multimodais complexas, especialmente aquelas que exigem dedução lógica, análise detalhada de documentos ou compreensão de vídeo. Para legendagem de imagem direta, OCR básico ou recuperação simples, modelos menores (por exemplo, Qwen2.5 VL 7B) serão mais rápidos e baratos. O modo de raciocínio adiciona tokens de saída; portanto, se você não precisar de cadeia de pensamento, desative-o para reduzir custo e latência.
Como um modelo MoE, pode apresentar latência ligeiramente maior que modelos densos de tamanho ativado similar devido à sobrecarga de roteamento. O modo de raciocínio pode produzir longas cadeias de raciocínio, aumentando a contagem de tokens de saída e o custo. É otimizado principalmente para texto em inglês, e o desempenho em idiomas não-ingleses ou de baixos recursos pode ser inferior. O processamento de vídeo é limitado pelo número máximo de quadros que cabem na janela de contexto. O modelo também pode alucinar em entradas ambíguas ou adversariais, como é comum em grandes modelos de linguagem.
Pontuações de benchmark específicas para este modelo não foram fornecidas nos dados disponíveis. Como membro da família Qwen3 VL, ele herda os pontos fortes arquitetônicos da série, que geralmente alcança resultados competitivos em tarefas de visão-linguagem, como VQAv2, MMLU (versão multimodal) e DocVQA. No entanto, o desempenho pode variar por tarefa. Recomendamos testar o modelo em seus próprios dados para avaliar sua adequação. O modo de pensamento geralmente melhora as pontuações em benchmarks com forte raciocínio.
A latência depende do tamanho da entrada, do número de especialistas ativos (22B) e se o modo de raciocínio está ativado. A arquitetura MoE permite uma escalabilidade eficiente em comparação com um modelo denso de 235B. A latência do primeiro token é típica para um modelo desse tamanho ativado (aproximadamente 22B parâmetros). Para um prompt curto de imagem+texto sem raciocínio, o tempo até o primeiro token pode ser de alguns segundos. Com o raciocínio ativado e sequências de saída longas, o tempo total de inferência pode aumentar significativamente. O OrcaRouter fornece monitoramento em tempo real através do painel da API.
O design MoE com 22B parâmetros ativos oferece um bom equilíbrio entre capacidade do modelo e custo computacional. Ele pode igualar ou superar a precisão de um modelo denso de 70B em muitas tarefas, usando menos FLOPs por token. O roteamento de especialistas permite especialização: diferentes especialistas lidam com diferentes tipos de tarefas visuais ou de raciocínio. Isso torna o modelo mais robusto a mudanças de domínio do que um modelo denso menor. A latência é geralmente menor que a de um modelo denso de 235B, embora maior que a de um modelo denso de 22B.
Apesar de suas vantagens, o modelo não é uma panaceia. Ele pode ter dificuldades com tarefas que exigem localização espacial precisa (por exemplo, caixas delimitadoras exatas de objetos), a menos que seja ajustado. O modo de raciocínio pode às vezes produzir raciocínios irrelevantes ou circulares, aumentando o custo sem benefício. A inferência em imagens de resolução muito alta pode ser ineficiente porque todos os patches precisam ser processados. Se sua carga de trabalho é dominada por entradas simples e de baixa variância, um modelo menor será mais econômico e rápido.
O preço é de $0.40 por 1 milhão de tokens de entrada e $4.00 por 1 milhão de tokens de saída. Essas taxas são cobradas na taxa do provedor, sem nenhum markup aplicado pela OrcaRouter. Tokens de entrada incluem todos os prompts de texto, tokens de imagem e tokens de quadros de vídeo. Tokens de saída incluem tanto a cadeia de pensamento (se ativada) quanto a resposta final. Para uma consulta multimodal típica de 1.000 tokens de entrada e 500 tokens de saída, o custo seria de $0.00040 + $0.00200 = $0.00240. Os custos totais escalam linearmente com o uso de tokens.
OrcaRouter não aumenta os preços dos provedores, mas pode oferecer opções de cache como parte de sua infraestrutura. Especificamente, o cache de tokens de entrada pode reduzir custos se você reutilizar partes de prompts (por exemplo, mensagens do sistema ou trechos de imagem comuns). Consulte a documentação do OrcaRouter para obter as políticas de cache mais recentes. Não há estrutura de compromisso ou desconto em volume; você paga apenas pelos tokens consumidos. A vantagem de custo do MoE é realizada por token, porque apenas 22B parâmetros são usados por etapa.
Os tokens de entrada dependem do número de imagens ou quadros de vídeo e da sua resolução. Cada imagem é geralmente dividida em patches de tamanho fixo, cada um convertido em tokens. Imagens de alta resolução ou vídeos mais longos aumentam substancialmente a contagem de tokens de entrada. Os tokens de saída incluem a cadeia de raciocínio; uma cadeia de pensamento típica para uma questão de dificuldade média pode adicionar 200-500 tokens. O comprimento máximo de saída é de 40.960 tokens, permitindo sequências de raciocínio muito longas, se necessário. Planeje seu orçamento de acordo.
Use o endpoint de API compatível com OpenAI com a URL base https://api.orcarouter.ai/v1. Defina o parâmetro do modelo como "qwen/qwen3-vl-235b-a22b-thinking". A autenticação é feita através de uma chave de API incluída no cabeçalho Authorization. O formato da requisição segue a convenção de chat completions da OpenAI com mensagens. Para entradas multimodais, inclua um array content com tipo "text" e tipo "image_url" (ou "video_url" para vídeos). Exemplo: 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"}}]}]}'
Além dos parâmetros padrão compatíveis com OpenAI (temperature, top_p, max_tokens, stop, etc.), este modelo suporta um parâmetro "thinking" para ativar ou desativar o modo de cadeia de pensamento. Defina "thinking": true (padrão) para incluir raciocínio, ou false para exibir apenas a resposta final. Outros parâmetros específicos do modelo incluem "max_thinking_tokens" para limitar o comprimento da cadeia de raciocínio. Consulte a documentação da API OrcaRouter para obter uma lista completa. O formato da resposta é idêntico ao da OpenAI, com a cadeia de pensamento incluída como parte do conteúdo, se ativada.
Se você usa atualmente o GPT-4V ou GPT-4o da OpenAI, a migração é simples. Altere a base URL para https://api.orcarouter.ai/v1, use sua chave de API do OrcaRouter e defina o modelo como "qwen/qwen3-vl-235b-a22b-thinking". A API de chat completion tem o mesmo esquema. Observe que o modo de pensamento pode gerar saídas mais longas; você pode desativá-lo com "thinking": false. As entradas de imagem e vídeo usam a mesma estrutura de tipo de conteúdo. Teste com um pequeno número de solicitações primeiro para verificar compatibilidade e custo.
A entrada de vídeo é fornecida como uma URL para um arquivo de vídeo (ex.: MP4). No array de conteúdo das mensagens, use o tipo "video_url" com um campo url. O backend do OrcaRouter amostrará quadros do vídeo até um número máximo que caiba na janela de contexto. Opcionalmente, você pode especificar um parâmetro frame_sample_rate. O modelo então processa os quadros amostrados como uma sequência. O modo de raciocínio pode raciocinar através dos quadros para entender eventos temporais. Para vídeos muito longos, considere pré-filtrar ou dividir em segmentos.
O Qwen3 VL 235B A22B Thinking usa uma arquitetura MoE com 22B parâmetros ativos, enquanto o GPT-4o é um modelo denso de tamanho não divulgado. Ambos suportam entrada de imagem, texto e vídeo. O modo de pensamento (thinking mode) fornece raciocínio explícito, o que o GPT-4o não faz por padrão (embora você possa solicitar chain-of-thought). O Qwen3 VL é geralmente mais econômico por token ($0,40/$4,00 vs. $5/$15 do GPT-4o por 1M de tokens de entrada/saída). A latência pode ser maior devido ao roteamento MoE. O desempenho depende da tarefa específica; recomendamos avaliação lado a lado.
Gemini 2.0 Flash é um modelo menor e mais rápido, otimizado para baixa latência. Qwen3 VL 235B A22B Thinking oferece uma capacidade efetiva maior através de MoE e um modo de pensamento integrado. Gemini Flash tem uma janela de contexto de aproximadamente 1M tokens, enquanto Qwen3 VL tem 131K. Para tarefas que exigem raciocínio profundo em visuais complexos, o Qwen3 VL pode produzir resultados mais precisos. No entanto, para tarefas simples ou sensíveis ao tempo, o Gemini Flash será mais rápido e barato. Ambos são acessíveis via API do OrcaRouter.
O Llama 3.2 90B é um modelo denso de visão-linguagem com 90B parâmetros. O Qwen3 VL 235B A22B tem mais parâmetros totais, mas ativa apenas 22B, potencialmente usando menos FLOPs por token. O Llama 3.2 suporta apenas entrada de imagem (não vídeo). O modo de pensamento no Qwen3 VL fornece raciocínio explícito, enquanto o Llama não possui um mecanismo embutido. O preço do Llama 3.2 via OrcaRouter é tipicamente menor por token, mas para tarefas onde a profundidade do raciocínio é importante, o Qwen3 VL pode fornecer melhores resultados. A janela de contexto é maior no Qwen3 VL (131K vs. 128K).
Este modelo (235B total, 22B ativos) é o maior da família Qwen3 VL MoE. Variantes menores (ex.: 72B total / 15B ativos) são mais baratas e rápidas. Escolha este modelo quando precisar da maior precisão possível em tarefas desafiadoras de raciocínio multimodal, compreensão de vídeo, ou quando o modo de pensamento agregar valor. Para tarefas que modelos menores lidam bem, como legendagem simples ou classificação, a economia de custos de um MoE (ou modelo denso) menor será significativa.
Compatível com OpenAI — mantenha seu SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| Entrada / 1M tokens | $0.400 |
| Saída / 1M tokens | $4.00 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
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