Qwen3-VL 235B-A22B Thinking — öppen-vikt vision-språk resonemangsmodell, 235B totalt / 22B aktiva parametrar, 128k kontext.
Qwen3 VL 235B A22B Thinking är en storskalig multimodal språkmodell från Qwen-familjen. Den använder en mixture-of-experts-arkitektur där endast 22 av dess 235 miljarder parametrar är aktiva under…
Modellen utför en rad vision-language-uppgifter: bildtextning, visuell frågebesvarande, objektigenkänning och spatial resonemang. Den kan tolka diagram, scheman och handskriven text. På grund av sin MoE-struktur aktiverar den relevanta expertmoduler per indata, vilket hjälper till att hantera olika bildtyper effektivt. Tankeläget förbättrar ytterligare noggrannheten för komplexa visuella pussel eller flerstegsresonemang om scener. För enkla uppgifter som grundläggande objekträkning kan en mindre modell vara tillräcklig.
Videoinmatning hanteras genom sampling av bildrutor med intervall (konfigurerbart). Modellen kan sammanfatta videoinnehåll, besvara frågor om handlingar eller objekt i materialet och upptäcka tidssekvenser. Den behandlar video som en serie bilder med en tidslinje, så resonemang om orsak och verkan eller förändringar över tid är möjliga. Tankeläget är särskilt användbart här eftersom det kan artikulera mellanliggande slutsatser innan det levererar en slutgiltig analys. För mycket långa videor kan kontextfönsterbegränsningar gälla.
Qwen3 VL 235B A22B Thinking är en stor MoE-modell med specialiserat resonemang. Använd den när du behöver hög noggrannhet för komplexa multimodala uppgifter, särskilt sådana som kräver logisk slutledning, detaljerad dokumenttolkning eller videoförståelse. För enkel bildtextning, grundläggande OCR eller enkel hämtning är mindre modeller (t.ex. Qwen2.5 VL 7B) snabbare och billigare. Thinking-läget adderar utdatatokens, så om du inte behöver chain-of-thought, inaktivera det för att minska kostnad och latens.
Som en MoE-modell kan den uppvisa något högre latens än dense-modeller av liknande aktiverad storlek på grund av routing-overhead. Tänkarläget kan producera långa resonemangskedjor, vilket ökar antalet utdatatoken och kostnaden. Den är främst optimerad för engelskspråkig text, och prestandan för icke-engelska språk eller språk med få resurser kan vara svagare. Videobearbetning begränsas av det maximala antalet bildrutor som ryms inom kontextfönstret. Modellen kan också hallucinera på tvetydiga eller fientliga indata, vilket är vanligt för stora språkmodeller.
Specifika benchmarkvärden för denna modell har inte tillhandahållits i tillgängliga data. Som en medlem av Qwen3 VL-familjen ärver den seriens arkitektoniska styrkor, vilken generellt uppnår konkurrenskraftiga resultat inom vision-språkuppgifter som VQAv2, MMLU (multimodal version) och DocVQA. Prestandan kan dock variera beroende på uppgift. Vi rekommenderar att du testar modellen på dina egna data för att utvärdera dess lämplighet. Tankeläget förbättrar vanligtvis poängen på resonemangstunga benchmark.
Latens beror på inputstorlek, antal aktiva experter (22B) och om tankeläget är aktiverat. MoE-arkitekturen möjliggör effektiv skalning jämfört med en tät 235B-modell. Första-token-latens är typisk för en modell av denna aktiverade storlek (ungefär 22B parametrar). För en kort bild+text-prompt utan tankeläge kan tiden till första token vara några sekunder. Med tankeläget aktiverat och långa utdatasekvenser kan total inferenstid öka avsevärt. OrcaRouter tillhandahåller realtidsövervakning via API-instrumentpanelen.
MoE-designen med 22B aktiva parametrar ger en gynnsam avvägning mellan modellkapacitet och beräkningskostnad. Den kan matcha eller överträffa noggrannheten hos en tät 70B-modell i många uppgifter samtidigt som den använder färre FLOPs per token. Expertdirigeringen möjliggör specialisering: olika experter hanterar olika typer av visuella eller resonerande uppgifter. Detta gör modellen mer robust mot domänskiften än en mindre tät modell. Latensen är i allmänhet lägre än hos en tät 235B-modell, men högre än hos en tät 22B-modell.
Trots sina fördelar är modellen inget universalmedel. Den kan ha svårt för uppgifter som kräver precis spatial lokalisering (t.ex. exakta avgränsningsrutor för objekt) om den inte finjusteras. Tankeläget kan ibland producera irrelevant eller cirkelresonemang, vilket ökar kostnaden utan nytta. Inferens på bilder med mycket hög upplösning kan vara ineffektivt eftersom alla segment måste bearbetas. Om din arbetsbelastning domineras av enkla, lågvariansinmatningar, kommer en mindre modell att vara mer kostnadseffektiv och snabbare.
Priset är $0,40 per 1 miljon input-tokens och $4,00 per 1 miljon output-tokens. Dessa taxor debiteras enligt leverantörens taxa utan någon påslag från OrcaRouter. Input-tokens inkluderar alla textprompter, bild-tokens och videoram-tokens. Output-tokens inkluderar både tankekedjan (om aktiverad) och det slutgiltiga svaret. För en typisk multimodal fråga med 1.000 input-tokens och 500 output-tokens skulle kostnaden vara $0,00040 + $0,00200 = $0,00240. Totala kostnader skalar linjärt med tokenanvändning.
OrcaRouter markerar inte upp leverantörspriser, men kan erbjuda cachningsalternativ som en del av sin infrastruktur. Specifikt kan cachning av inmatningstoken minska kostnaderna om du återanvänder delar av prompts (t.ex. systemmeddelanden eller vanliga bildutdrag). Konsultera OrcaRouter-dokumentationen för de senaste cachningspolicyerna. Det finns inga åtaganden eller rabatter för volym; du betalar endast för förbrukade token. Kostnadsfördelen med MoE realiseras per token eftersom endast 22B parametrar används per steg.
Input-tokens beror på antalet bilder eller videoramar och deras upplösning. Varje bild delas vanligtvis upp i bitar med fast storlek, där varje bit omvandlas till tokens. Högupplösta bilder eller längre videor ökar antalet input-tokens avsevärt. Output-tokens inkluderar tankekedjan; en typisk chain-of-thought för en medelsvår fråga kan lägga till 200-500 tokens. Den maximala utdatalängden är 40 960 tokens, vilket möjliggör mycket långa resonemangssekvenser om det behövs. Planera din budget därefter.
Använd den OpenAI-kompatibla API-slutpunkten med bas-URL https://api.orcarouter.ai/v1. Ställ in modellparametern till "qwen/qwen3-vl-235b-a22b-thinking". Autentisering sker via en API-nyckel som ingår i Authorization-huvudet. Begäranformatet följer OpenAI:s chat completions-konvention med meddelanden. För multimodala indata, inkludera en content-array med typ "text" och typ "image_url" (eller "video_url" för videor). Exempel: 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"}}]}]}'
Förutom standard OpenAI-kompatibla parametrar (temperatur, top_p, max_tokens, stop, etc.) stödjer denna modell en "thinking"-parameter för att aktivera eller inaktivera tankekedjeläget. Ställ in "thinking": true (standard) för att inkludera resonemang, eller false för att endast mata ut det slutliga svaret. Andra möjliga modellspecifika parametrar inkluderar "max_thinking_tokens" för att begränsa längden på resonemangskedjan. Se OrcaRouter API-dokumentationen för en fullständig lista. Svarsformatet är identiskt med OpenAIs, med tankekedjan inkluderad som en del av innehållet om den är aktiverad.
Om du för närvarande använder OpenAI:s GPT-4V eller GPT-4o är migreringen enkel. Ändra bas-URL:en till https://api.orcarouter.ai/v1, använd din OrcaRouter API-nyckel och ställ in modellen till "qwen/qwen3-vl-235b-a22b-thinking". Chat Completion API:et är identiskt i schema. Observera att tankeläget kan producera längre utdata; du kan inaktivera det med "thinking": false. Bild- och videoinmatningar använder samma struktur för innehållstyp. Testa först med ett litet antal förfrågningar för att verifiera kompatibilitet och kostnad.
Videoinmatning tillhandahålls som en URL till en videofil (t.ex. MP4). I meddelandenas innehållsarray, använd typen "video_url" med ett url-fält. OrcaRouters backend kommer att sampla bildrutor från videon upp till ett maximalt antal som får plats inom kontextfönstret. Du kan valfritt ange en parameter frame_sample_rate. Modellen bearbetar sedan de samplade bildrutorna som en sekvens. Tankeläget kan resonera över bildrutor för att förstå tidsmässiga händelser. För mycket långa videor, överväg att förfiltrera eller dela upp i segment.
Qwen3 VL 235B A22B Thinking använder en MoE-arkitektur med 22B aktiva parametrar, medan GPT-4o är en tät modell av ej offentliggjord storlek. Båda stöder bild-, text- och videoinmatning. Tankeläget ger explicit resonemang, vilket GPT-4o inte gör som standard (även om du kan uppmana till kedja av tankar). Qwen3 VL är generellt mer kostnadseffektiv per token ($0.40/$4.00 jämfört med GPT-4o:s $5/$15 per 1M in-/utmatningstokens). Svarstiden kan vara högre på grund av MoE-routning. Prestandan beror på den specifika uppgiften; vi rekommenderar en sida-vid-sida-utvärdering.
Gemini 2.0 Flash är en mindre, snabbare modell optimerad för låg latens. Qwen3 VL 235B A22B Thinking erbjuder en större effektiv kapacitet genom MoE och ett inbyggt tankeläge. Gemini Flash har ett kontextfönster på ~1M tokens, medan Qwen3 VL har 131K. För uppgifter som kräver djup resonemang om komplexa bilder kan Qwen3 VL ge mer precisa resultat. Däremot, för enkla eller tidskänsliga uppgifter är Gemini Flash snabbare och billigare. Båda är tillgängliga via OrcaRouters API.
Llama 3.2 90B är en tät vision-språkmodell med 90B parametrar. Qwen3 VL 235B A22B har fler totala parametrar men aktiverar endast 22B, vilket potentiellt använder färre FLOPs per token. Llama 3.2 stöder endast bildinmatning (inte video). Tankeläget i Qwen3 VL ger explicit resonemang, medan Llama saknar en inbyggd mekanism. Prissättningen för Llama 3.2 via OrcaRouter är vanligtvis lägre per token, men för uppgifter där resonemangsdjupet spelar roll kan Qwen3 VL ge bättre resultat. Kontextfönstret är större i Qwen3 VL (131K jämfört med 128K).
Denna modell (235B totalt, 22B aktiv) är den största i Qwen3 VL MoE-familjen. Mindre varianter (t.ex. 72B totalt / 15B aktiv) är billigare och snabbare. Välj denna modell när du behöver högsta möjliga noggrannhet för utmanande multimodala resonemangsuppgifter, videoförståelse, eller när tankeläget tillför värde. För uppgifter som hanteras väl av mindre modeller, såsom enkel bildtextning eller klassificering, kommer kostnadsbesparingarna från en mindre MoE (eller tät modell) att vara betydande.
OpenAI-kompatibel — behåll det SDK du redan använder
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| Inmatning / 1M token | $0.400 |
|---|---|
| Utdata / 1M tokens | $4.00 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
Jämför månadskostnader mellan modeller i LLM-kostnadskalkylatorn
Vad utvecklare säger den här veckan
GET /api/public/models/qwen/qwen3-vl-235b-a22b-thinkingÖppna @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