Qwen3-VL 235B-A22B Thinking — модель визуально-языкового рассуждения с открытыми весами, 235B всего / 22B активных параметров, контекст 128k.
Qwen3 VL 235B A22B Thinking — это крупномасштабная мультимодальная языковая модель из семейства Qwen. Она использует архитектуру смеси экспертов, при которой во время вывода активны только 22…
Модель выполняет широкий спектр задач на стыке зрения и языка: описание изображений, ответы на визуальные вопросы, распознавание объектов и пространственное мышление. Она может интерпретировать диаграммы, графики и рукописный текст. Благодаря структуре MoE для каждого входного сигнала активируются соответствующие экспертные модули, что позволяет эффективно обрабатывать разнообразные типы изображений. Режим размышления дополнительно повышает точность при решении сложных визуальных головоломок или многоэтапных рассуждений о сценах. Для простых задач, таких как базовый подсчёт объектов, может быть достаточно модели меньшего размера.
Видеовход обрабатывается путем выборки кадров с заданными интервалами (настраивается). Модель может обобщать содержимое видео, отвечать на вопросы о действиях или объектах в материале, а также обнаруживать временные последовательности. Она рассматривает видео как серию изображений с временной шкалой, поэтому возможны рассуждения о причине и следствии или изменениях с течением времени. Режим размышлений особенно полезен здесь, так как позволяет формулировать промежуточные выводы перед выдачей окончательного анализа. Для очень длинных видео могут применяться ограничения контекстного окна.
Qwen3 VL 235B A22B Thinking — это крупная MoE-модель со специализированными рассуждениями. Используйте её, когда требуется высокая точность в сложных мультимодальных задачах, особенно тех, что требуют логических выводов, детального разбора документов или понимания видео. Для простого описания изображений, базового OCR или элементарного поиска меньшие модели (например, Qwen2.5 VL 7B) будут быстрее и дешевле. Режим мышления увеличивает количество выходных токенов, поэтому, если цепочка рассуждений не нужна, отключите его, чтобы снизить затраты и задержку.
Будучи MoE-моделью, она может демонстрировать несколько большую задержку по сравнению с плотными моделями аналогичного активного размера из-за накладных расходов на маршрутизацию. Режим размышления может генерировать длинные цепочки рассуждений, увеличивая количество выходных токенов и стоимость. Она в первую очередь оптимизирована для текстов на английском языке, и производительность на неанглийских или низкоресурсных языках может быть ниже. Обработка видео ограничена максимальным количеством кадров, помещающихся в окно контекста. Модель также может галлюцинировать на неоднозначных или враждебных входных данных, что обычно для больших языковых моделей.
Конкретные результаты бенчмарков для данной модели не были предоставлены в доступных данных. Будучи частью семейства Qwen3 VL, она наследует архитектурные сильные стороны серии, которая в целом демонстрирует конкурентоспособные результаты на задачах визуально-языкового понимания, таких как VQAv2, MMLU (мультимодальная версия) и DocVQA. Однако производительность может варьироваться в зависимости от задачи. Мы рекомендуем протестировать модель на собственных данных, чтобы оценить её пригодность. Режим мышления обычно улучшает результаты на задачах, требующих интенсивных рассуждений.
Задержка зависит от размера входных данных, количества активных экспертов (22B) и того, включен ли режим размышления. Архитектура MoE обеспечивает эффективное масштабирование по сравнению с плотной моделью на 235B параметров. Задержка первого токена типична для модели такого активированного размера (приблизительно 22B параметров). Для короткого запроса, состоящего из изображения и текста, без режима размышления время до первого токена может составлять несколько секунд. При включенном режиме размышления и длинных выходных последовательностях общее время инференса может значительно увеличиться. OrcaRouter предоставляет мониторинг в реальном времени через панель управления API.
Конструкция MoE с 22B активными параметрами обеспечивает выгодный компромисс между емкостью модели и вычислительными затратами. Она может достигать или превосходить точность плотной модели на 70B параметров во многих задачах, используя при этом меньше FLOPs на токен. Маршрутизация экспертов позволяет специализацию: разные эксперты обрабатывают различные типы визуальных или мыслительных задач. Это делает модель более устойчивой к смене доменов по сравнению с меньшей плотной моделью. Задержка в целом ниже, чем у плотной модели на 235B, хотя выше, чем у плотной модели на 22B.
Несмотря на свои преимущества, модель не является панацеей. Она может испытывать трудности с задачами, требующими точной пространственной локализации (например, точные ограничивающие рамки объектов), если не была донастроена. Режим размышления иногда может выдавать нерелевантные или циклические рассуждения, увеличивая затраты без пользы. Инференс на изображениях очень высокого разрешения может быть неэффективным, поскольку необходимо обрабатывать все патчи. Если ваша рабочая нагрузка состоит в основном из простых, низковариативных входных данных, модель меньшего размера будет более экономичной и быстрой.
Ценообразование составляет $0,40 за 1 миллион входных токенов и $4,00 за 1 миллион выходных токенов. Эти тарифы выставляются по ставке провайдера без наценки со стороны OrcaRouter. Входные токены включают все текстовые подсказки, токены изображений и токены видеокадров. Выходные токены включают как цепочку рассуждений (если она включена), так и окончательный ответ. Для типичного мультимодального запроса из 1000 входных токенов и 500 выходных токенов стоимость составит $0,00040 + $0,00200 = $0,00240. Общая стоимость линейно масштабируется в зависимости от использования токенов.
OrcaRouter не наценивает цены провайдеров, но может предлагать опции кэширования как часть своей инфраструктуры. В частности, кэширование входных токенов может снизить затраты, если вы повторно используете части подсказок (например, системные сообщения или общие фрагменты изображений). Обратитесь к документации OrcaRouter для получения актуальных политик кэширования. Нет обязательств или скидок за объем; вы платите только за потребленные токены. Преимущество стоимости MoE реализуется на токен, поскольку на каждом шаге используется только 22B параметров.
Количество входных токенов зависит от числа изображений или видеокадров и их разрешения. Каждое изображение обычно разбивается на патчи фиксированного размера, каждый из которых преобразуется в токены. Изображения с высоким разрешением или более длинные видео значительно увеличивают количество входных токенов. Выходные токены включают цепочку рассуждений; типичная цепочка размышлений для вопроса средней сложности может добавить 200–500 токенов. Максимальная длина вывода составляет 40 960 токенов, что позволяет при необходимости создавать очень длинные последовательности рассуждений. Планируйте свой бюджет соответственно.
Используйте совместимый с OpenAI API эндпоинт с базовым URL https://api.orcarouter.ai/v1. Установите параметр model в "qwen/qwen3-vl-235b-a22b-thinking". Аутентификация осуществляется с помощью API-ключа, который передается в заголовке Authorization. Формат запроса соответствует конвенции OpenAI chat completions с сообщениями. Для мультимодальных входных данных включите массив content с типом "text" и типом "image_url" (или "video_url" для видео). Пример: 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"}}]}]}'
Помимо стандартных параметров, совместимых с OpenAI (temperature, top_p, max_tokens, stop и др.), эта модель поддерживает параметр "thinking", позволяющий включить или отключить режим цепочки рассуждений. Установите "thinking": true (по умолчанию), чтобы включить процесс рассуждения, или false, чтобы получать только итоговый ответ. Другие возможные параметры, специфичные для модели, включают "max_thinking_tokens" для ограничения длины цепочки рассуждений. Полный список см. в документации API OrcaRouter. Формат ответа идентичен формату OpenAI: при включённом режиме цепочка рассуждений включается в содержимое ответа.
Если вы сейчас используете OpenAI’s GPT-4V или GPT-4o, миграция будет простой. Измените базовый URL на https://api.orcarouter.ai/v1, используйте свой API-ключ OrcaRouter и установите модель "qwen/qwen3-vl-235b-a22b-thinking". Схема API chat completion идентична. Обратите внимание, что режим thinking может давать более длинные ответы; вы можете отключить его с помощью "thinking": false. Изображения и видео используют ту же структуру типа содержимого. Сначала протестируйте с небольшим количеством запросов, чтобы проверить совместимость и стоимость.
Видеовход предоставляется в виде URL-адреса видеофайла (например, MP4). В массиве содержимого сообщений используйте тип "video_url" с полем url. Бэкенд OrcaRouter будет семплировать кадры из видео до максимального количества, которое помещается в окно контекста. При необходимости вы можете указать параметр frame_sample_rate. Затем модель обрабатывает выбранные кадры как последовательность. Режим рассуждения может анализировать кадры для понимания временных событий. Для очень длинных видео рассмотрите возможность предварительной фильтрации или разбивки на сегменты.
Qwen3 VL 235B A22B Thinking использует архитектуру MoE с 22B активных параметров, тогда как GPT-4o — это плотная модель нераскрытого размера. Обе поддерживают ввод изображений, текста и видео. Режим мышления обеспечивает явное рассуждение, чего GPT-4o по умолчанию не делает (хотя можно запросить цепочку рассуждений). Qwen3 VL в целом более экономичен с точки зрения стоимости за токен ($0.40/$4.00 против $5/$15 за 1M входных/выходных токенов у GPT-4o). Задержка может быть выше из-за маршрутизации MoE. Производительность зависит от конкретной задачи; рекомендуем параллельную оценку.
Gemini 2.0 Flash — это меньшая и более быстрая модель, оптимизированная для низкой задержки. Qwen3 VL 235B A22B Thinking предлагает большую эффективную емкость благодаря MoE и встроенному режиму размышления. Gemini Flash имеет окно контекста примерно в 1M токенов, в то время как Qwen3 VL — 131K. Для задач, требующих глубокого анализа сложных визуальных данных, Qwen3 VL может давать более точные результаты. Однако для простых или чувствительных ко времени задач Gemini Flash будет быстрее и дешевле. Оба доступны через API OrcaRouter.
Llama 3.2 90B — это плотная визуально-языковая модель с 90B параметров. Qwen3 VL 235B A22B имеет больше общих параметров, но активирует только 22B, потенциально используя меньше FLOPs на токен. Llama 3.2 поддерживает только изображения на входе (не видео). Режим мышления в Qwen3 VL обеспечивает явные рассуждения, тогда как у Llama нет встроенного механизма. Цены на Llama 3.2 через OrcaRouter обычно ниже за токен, но для задач, где важна глубина рассуждений, Qwen3 VL может дать лучшие результаты. Контекстное окно больше у Qwen3 VL (131K против 128K).
Эта модель (235B всего, 22B активных) является крупнейшей в семействе Qwen3 VL MoE. Меньшие варианты (например, 72B всего / 15B активных) дешевле и быстрее. Выбирайте эту модель, когда вам нужна максимально возможная точность в сложных задачах мультимодального рассуждения, понимания видео или когда режим размышления добавляет ценность. Для задач, которые хорошо решаются меньшими моделями, такими как простое создание подписей или классификация, экономия средств от меньшей MoE (или плотной модели) будет значительной.
Совместимо с OpenAI — оставьте свой SDK
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| Ввод / 1M токенов | $0.400 |
|---|---|
| Вывод / 1M токенов | $4.00 |
| Валюта | USD |
Оценка по прайс-листу
Только оценка — фактическое число токенов зависит от токенизатора провайдера.
Сравните ежемесячные расходы на модели в калькуляторе стоимости LLM
О чём говорят разработчики на этой неделе
GET /api/public/models/qwen/qwen3-vl-235b-a22b-thinkingОткрыть @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