Qwen3-VL 235B-A22B Thinking — โมเดลการให้เหตุผลแบบวิชัน-ภาษาน้ำหนักเปิด, พารามิเตอร์ทั้งหมด 235B / พารามิเตอร์ที่ใช้งาน 22B, บริบท 128k
Qwen3 VL 235B A22B Thinking เป็นโมเดลภาษาหลายรูปแบบขนาดใหญ่จากตระกูล Qwen โมเดลนี้ใช้สถาปัตยกรรมแบบ mixture-of-experts โดยมีเพียง 22 พันล้านพารามิเตอร์จากทั้งหมด 235…
โมเดลนี้ทำงานด้านวิทัศน์-ภาษาได้หลากหลาย: การบรรยายภาพ, การตอบคำถามเชิงภาพ, การรู้จำวัตถุ, และการให้เหตุผลเชิงพื้นที่ สามารถตีความแผนภาพ, กราฟ, และข้อความที่เขียนด้วยมือ เนื่องจากโครงสร้าง MoE ของมัน มันจะเปิดใช้งานโมดูลผู้เชี่ยวชาญที่เกี่ยวข้องตามอินพุต ซึ่งช่วยจัดการกับภาพประเภทต่างๆ ได้อย่างมีประสิทธิภาพ โหมดคิด (thinking mode) ยังช่วยเพิ่มความแม่นยำในปริศนาภาพที่ซับซ้อนหรือการให้เหตุผลหลายขั้นตอนเกี่ยวกับฉากต่างๆ สำหรับงานง่ายๆ เช่น การนับวัตถุพื้นฐาน โมเดลขนาดเล็กก็อาจเพียงพอ
อินพุตวิดีโอได้รับการจัดการโดยการสุ่มตัวอย่างเฟรมตามช่วงเวลา (สามารถกำหนดค่าได้) โมเดลสามารถสรุปเนื้อหาวิดีโอ ตอบคำถามเกี่ยวกับการกระทำหรือวัตถุในฟุตเทจ และตรวจจับลำดับเวลา มันจัดการวิดีโอเป็นชุดภาพที่มีไทม์ไลน์ ดังนั้นจึงสามารถใช้เหตุผลเกี่ยวกับเหตุและผลหรือการเปลี่ยนแปลงเมื่อเวลาผ่านไปได้ โหมดการคิดมีประโยชน์อย่างยิ่งในที่นี้เพราะสามารถแสดงข้อสรุปขั้นกลางก่อนที่จะให้การวิเคราะห์ขั้นสุดท้าย สำหรับวิดีโอที่ยาวมาก อาจมีข้อจำกัดของหน้าต่างบริบท
Qwen3 VL 235B A22B Thinking เป็นโมเดล MoE ขนาดใหญ่ที่เชี่ยวชาญด้านการคิดเชิงเหตุผล ใช้เมื่อคุณต้องการความแม่นยำสูงในงานมัลติโมดัลที่ซับซ้อน โดยเฉพาะงานที่ต้องใช้การอนุมานเชิงตรรกะ การแยกวิเคราะห์เอกสารที่มีรายละเอียด หรือการทำความเข้าใจวิดีโอ สำหรับการบรรยายภาพแบบตรงไปตรงมา OCR พื้นฐาน หรือการดึงข้อมูลแบบง่าย โมเดลขนาดเล็ก (เช่น Qwen2.5 VL 7B) จะทำงานได้เร็วและถูกกว่า โหมดการคิดจะเพิ่มจำนวนโทเค็นเอาต์พุต ดังนั้นหากคุณไม่ต้องการการคิดแบบต่อเนื่อง (chain-of-thought) ให้ปิดใช้งานเพื่อลดต้นทุนและเวลาแฝง
ในฐานะที่เป็นโมเดล MoE โมเดลนี้อาจมีความหน่วงแฝงสูงกว่าโมเดลแบบหนาแน่นที่มีขนาดพารามิเตอร์ที่ถูกกระตุ้นใกล้เคียงกันเล็กน้อย เนื่องจากโอเวอร์เฮดจากการจัดเส้นทาง (routing overhead) โหมดการคิด (thinking mode) สามารถสร้างห่วงโซ่การให้เหตุผลที่ยาว ส่งผลให้จำนวน token เอาต์พุตและต้นทุนเพิ่มขึ้น โมเดลนี้ได้รับการปรับให้เหมาะสมสำหรับข้อความภาษาอังกฤษเป็นหลัก และประสิทธิภาพในภาษาที่ไม่ใช่ภาษาอังกฤษหรือภาษาทรัพยากรต่ำอาจต่ำกว่า การประมวลผลวิดีโอถูกจำกัดด้วยจำนวนเฟรมสูงสุดที่พอดีกับหน้าต่างบริบท (context window) โมเดลอาจเกิดภาพหลอน (hallucinate) จากอินพุตที่คลุมเครือหรือเป็นปฏิปักษ์ ซึ่งเป็นเรื่องปกติของโมเดลภาษาขนาดใหญ่
คะแนนมาตรวัดเฉพาะสำหรับโมเดลนี้ยังไม่ได้ระบุไว้ในข้อมูลที่มีอยู่ ในฐานะสมาชิกของตระกูล Qwen3 VL โมเดลนี้สืบทอดจุดแข็งทางสถาปัตยกรรมของซีรีส์ ซึ่งโดยทั่วไปแล้วจะให้ผลลัพธ์ที่แข่งขันได้ในงานด้านวิสัยทัศน์-ภาษา เช่น VQAv2, MMLU (เวอร์ชันหลายรูปแบบภาษา) และ DocVQA อย่างไรก็ตาม ประสิทธิภาพอาจแตกต่างกันไปตามงาน เราแนะนำให้ทดสอบโมเดลกับข้อมูลของคุณเองเพื่อประเมินความเหมาะสม โหมดการคิดมักจะช่วยปรับปรุงคะแนนในมาตรวัดที่เน้นการใช้เหตุผล
เวลาแฝงขึ้นอยู่กับขนาดอินพุต จำนวนผู้เชี่ยวชาญที่ทำงานอยู่ (22B) และว่าโหมดการคิดถูกเปิดใช้งานหรือไม่ สถาปัตยกรรม MoE ช่วยให้สามารถปรับขนาดได้อย่างมีประสิทธิภาพเมื่อเทียบกับโมเดล dense 235B เวลาแฝงของโทเค็นแรกเป็นเรื่องปกติสำหรับโมเดลที่มีขนาดที่ทำงานนี้ (ประมาณ 22B พารามิเตอร์) สำหรับพรอมต์ภาพ+ข้อความสั้น ๆ โดยไม่มีการคิด เวลาจนถึงโทเค็นแรกอาจเป็นไม่กี่วินาที เมื่อเปิดใช้งานการคิดและมีลำดับเอาต์พุตที่ยาว เวลาการอนุมานทั้งหมดสามารถเพิ่มขึ้นอย่างมีนัยสำคัญ OrcaRouter ให้การตรวจสอบแบบเรียลไทม์ผ่าน API dashboard
การออกแบบ MoE ที่มีพารามิเตอร์ที่ใช้งานจริง 22 พันล้าน นำเสนอการแลกเปลี่ยนที่ดีระหว่างความจุของโมเดลและต้นทุนการคำนวณ สามารถเทียบเท่าหรือเหนือกว่าความแม่นยำของโมเดลหนาแน่น 70 พันล้านในหลายงาน ในขณะที่ใช้ FLOPs ต่อโทเคนน้อยกว่า การจัดเส้นทางผู้เชี่ยวชาญช่วยให้เกิดความเชี่ยวชาญเฉพาะด้าน: ผู้เชี่ยวชาญแต่ละคนจัดการงานด้านภาพหรือการใช้เหตุผลประเภทต่างๆ ทำให้โมเดลนี้ทนทานต่อการเปลี่ยนแปลงโดเมนได้ดีกว่าโมเดลหนาแน่นขนาดเล็ก ความหน่วงโดยทั่วไปต่ำกว่าโมเดลหนาแน่น 235 พันล้าน แม้ว่าจะสูงกว่าโมเดลหนาแน่น 22 พันล้านก็ตาม
แม้จะมีข้อดี แต่โมเดลนี้ไม่ใช่ทางออกสำหรับทุกปัญหา มันอาจประสบปัญหาในงานที่ต้องการการระบุตำแหน่งเชิงพื้นที่ที่แม่นยำ (เช่น ขอบเขตของวัตถุที่แน่นอน) เว้นแต่จะได้รับการปรับแต่งอย่างละเอียด โหมดการคิดบางครั้งอาจก่อให้เกิดการใช้เหตุผลที่ไม่เกี่ยวข้องหรือเป็นวงกลม ทำให้ต้นทุนเพิ่มขึ้นโดยไม่มีประโยชน์ การอนุมานบนภาพความละเอียดสูงอาจไม่มีประสิทธิภาพเนื่องจากต้องประมวลผลทุกแพตช์ หากปริมาณงานของคุณส่วนใหญ่ประกอบด้วยอินพุตที่เรียบง่ายและมีความแปรปรวนต่ำ โมเดลขนาดเล็กจะคุ้มค่าและเร็วกว่า
ราคาคือ $0.40 ต่อ 1 ล้านโทเค็นนำเข้า และ $4.00 ต่อ 1 ล้านโทเค็นส่งออก อัตราเหล่านี้เรียกเก็บตามอัตราของผู้ให้บริการ โดยไม่มีส่วนเพิ่มจาก OrcaRouter โทเค็นนำเข้ารวมถึงข้อความ prompt, โทเค็นรูปภาพ, และโทเค็นเฟรมวิดีโอทั้งหมด โทเค็นส่งออกรวมถึงทั้งห่วงโซ่ความคิด (หากเปิดใช้งาน) และคำตอบสุดท้าย สำหรับคำสั่งแบบหลายรูปแบบทั่วไปที่มีโทเค็นนำเข้า 1,000 และโทเค็นส่งออก 500 ค่าใช้จ่ายจะเป็น $0.00040 + $0.00200 = $0.00240 ค่าใช้จ่ายรวมจะปรับตามสัดส่วนการใช้งานโทเค็น
OrcaRouter ไม่ได้กำหนดราคาของผู้ให้บริการ แต่สามารถเสนอตัวเลือกการแคชเป็นส่วนหนึ่งของโครงสร้างพื้นฐานได้ โดยเฉพาะอย่างยิ่ง การแคชโทเค็นอินพุตสามารถลดต้นทุนได้หากคุณใช้ส่วนของพรอมต์ซ้ำ (เช่น ข้อความระบบหรือคลิปภาพทั่วไป) โปรดดูเอกสารของ OrcaRouter สำหรับนโยบายการแคชล่าสุด ไม่มีข้อผูกมัดหรือโครงสร้างส่วนลดแบบเหมา คุณจ่ายเฉพาะโทเค็นที่ใช้ไปเท่านั้น ข้อได้เปรียบด้านต้นทุนของ MoE จะเกิดขึ้นต่อโทเค็นเนื่องจากใช้พารามิเตอร์เพียง 22B ต่อขั้นตอน
โทเค็นอินพุตขึ้นอยู่กับจำนวนภาพหรือเฟรมวิดีโอและความละเอียดของภาพ โดยทั่วไปภาพแต่ละภาพจะถูกแบ่งเป็นแพตช์ขนาดคงที่ ซึ่งแต่ละแพตช์จะถูกแปลงเป็นโทเค็น ภาพที่มีความละเอียดสูงหรือวิดีโอที่ยาวขึ้นจะเพิ่มจำนวนโทเค็นอินพุตอย่างมาก โทเค็นเอาต์พุตรวมถึงห่วงโซ่การคิด โดยทั่วไปแล้วห่วงโซ่การคิดสำหรับคำถามที่มีความยากปานกลางอาจเพิ่ม 200-500 โทเค็น ความยาวเอาต์พุตสูงสุดคือ 40,960 โทเค็น ซึ่งอนุญาตให้มีลำดับการให้เหตุผลที่ยาวมากหากจำเป็น วางแผนงบประมาณของคุณตามนั้น
ใช้จุดสิ้นสุด API ที่เข้ากันได้กับ OpenAI โดยมี base URL เป็น https://api.orcarouter.ai/v1 กำหนดพารามิเตอร์ model เป็น "qwen/qwen3-vl-235b-a22b-thinking" การตรวจสอบสิทธิ์ทำผ่านคีย์ API ที่รวมอยู่ในส่วนหัว Authorization รูปแบบคำขอเป็นไปตามหลักการของ OpenAI chat completions พร้อม messages สำหรับอินพุตแบบ multimodal ให้รวม array content ที่มี type "text" และ type "image_url" (หรือ "video_url" สำหรับวิดีโอ) ตัวอย่าง: 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"}}]}]}'
In addition to standard OpenAI-compatible parameters (temperature, top_p, max_tokens, stop, etc.), this model supports a "thinking" parameter to enable or disable the chain-of-thought mode. Set "thinking": true (default) to include reasoning, or false to output only the final answer. Other possible model-specific parameters include "max_thinking_tokens" to limit the length of the reasoning chain. See the OrcaRouter API documentation for a full list. The response format is identical to OpenAI’s, with the thinking chain included as part of the content if enabled.
หากคุณใช้งาน OpenAI’s GPT-4V หรือ GPT-4o อยู่ การย้ายระบบทำได้ง่าย เพียงเปลี่ยน base URL เป็น https://api.orcarouter.ai/v1 ใช้ OrcaRouter API key ของคุณ และตั้งค่า model เป็น "qwen/qwen3-vl-235b-a22b-thinking" ซึ่ง chat completion API มีโครงสร้างเหมือนกัน หมายเหตุ: โหมดคิด (thinking mode) อาจสร้างผลลัพธ์ที่ยาวขึ้น คุณสามารถปิดได้ด้วย "thinking": false ข้อมูลนำเข้าภาพและวิดีโอใช้โครงสร้างประเภทเนื้อหาเดียวกัน ควรทดสอบด้วยคำขอจำนวนน้อยก่อนเพื่อตรวจสอบความเข้ากันได้และต้นทุน
อินพุตวิดีโอถูกระบุเป็น URL ที่ชี้ไปยังไฟล์วิดีโอ (เช่น MP4) ในอาร์เรย์เนื้อหาของ messages ให้ใช้ type "video_url" พร้อมฟิลด์ url แบ็คเอนด์ของ OrcaRouter จะสุ่มตัวอย่างเฟรมจากวิดีโอสูงสุดตามจำนวนที่พอดีกับหน้าต่างบริบท คุณสามารถระบุพารามิเตอร์ frame_sample_rate ได้ตามต้องการ จากนั้นโมเดลจะประมวลผลเฟรมที่สุ่มตัวอย่างเป็นลำดับ โหมดการคิดสามารถให้เหตุผลข้ามเฟรมเพื่อทำความเข้าใจเหตุการณ์เชิงเวลา สำหรับวิดีโอที่ยาวมาก ให้พิจารณากรองล่วงหน้าหรือแบ่งเป็นส่วนย่อย
Qwen3 VL 235B A22B Thinking ใช้สถาปัตยกรรมแบบ MoE โดยมีพารามิเตอร์ที่ทำงานอยู่ 22B ในขณะที่ GPT-4o เป็นโมเดลแบบ dense ที่ไม่เปิดเผยขนาด ทั้งสองรองรับการป้อนข้อมูลภาพ ข้อความ และวิดีโอ โหมดการคิด (thinking mode) ให้การให้เหตุผลอย่างชัดเจน ซึ่ง GPT-4o ไม่ได้มีโดยค่าเริ่มต้น (แม้ว่าคุณสามารถใช้ prompt chain-of-thought ได้) โดยทั่วไป Qwen3 VL คุ้มค่ากว่าในแง่ต้นทุนต่อโทเค็น ($0.40/$4.00 เทียบกับ $5/$15 ของ GPT-4o ต่อ 1M โทเค็นขาเข้า/ขาออก) ความหน่วงอาจสูงขึ้นเนื่องจากการจัดเส้นทาง MoE ประสิทธิภาพขึ้นอยู่กับงานเฉพาะ เราแนะนำให้ทำการประเมินแบบเทียบเคียงกัน
Gemini 2.0 Flash เป็นโมเดลที่มีขนาดเล็กกว่าและเร็วกว่า ซึ่งถูกปรับแต่งให้เหมาะกับความหน่วงต่ำ Qwen3 VL 235B A22B Thinking มีความสามารถที่มีประสิทธิภาพมากขึ้นผ่าน MoE และโหมดการคิดในตัว Gemini Flash มีหน้าต่างบริบทประมาณ 1M โทเค็น ในขณะที่ Qwen3 VL มี 131K สำหรับงานที่ต้องการการคิดเชิงลึกเกี่ยวกับภาพที่ซับซ้อน Qwen3 VL อาจให้ผลลัพธ์ที่แม่นยำกว่า อย่างไรก็ตาม สำหรับงานที่เรียบง่ายหรือไวต่อเวลา Gemini Flash จะเร็วกว่าและถูกกว่า ทั้งสองสามารถเข้าถึงได้ผ่าน API ของ OrcaRouter
โมเดล Llama 3.2 90B เป็นโมเดลภาษาเชิงภาพแบบหนาแน่นที่มีพารามิเตอร์ 90B ส่วน Qwen3 VL 235B A22B มีพารามิเตอร์รวมมากกว่าแต่กระตุ้นการทำงานเพียง 22B ทำให้อาจใช้ FLOPs ต่อโทเค็นน้อยกว่า Llama 3.2 รองรับเฉพาะอินพุตภาพ (ไม่รองรับวิดีโอ) โหมดการคิดใน Qwen3 VL ให้การให้เหตุผลที่ชัดเจน ในขณะที่ Llama ไม่มีกลไกในตัว ราคาสำหรับ Llama 3.2 ผ่าน OrcaRouter มักจะถูกกว่าต่อโทเค็น แต่สำหรับงานที่เน้นความลึกของการให้เหตุผล Qwen3 VL อาจให้ผลลัพธ์ที่ดีกว่า หน้าต่างบริบทของ Qwen3 VL มีขนาดใหญ่กว่า (131K vs. 128K)
รุ่นนี้ (รวม 235B, ทำงาน 22B) เป็นรุ่นที่ใหญ่ที่สุดในตระกูล Qwen3 VL MoE ตัวแปรที่เล็กกว่า (เช่น รวม 72B / ทำงาน 15B) มีราคาถูกกว่าและเร็วกว่า เลือกรุ่นนี้เมื่อคุณต้องการความแม่นยำสูงสุดเท่าที่เป็นไปได้สำหรับงาน multimodal reasoning ที่ท้าทาย การเข้าใจวิดีโอ หรือเมื่อโหมดการคิด (thinking mode) เพิ่มมูลค่า สำหรับงานที่รุ่นเล็กกว่าจัดการได้ดี เช่น การสร้างคำบรรยายหรือการจำแนกประเภทแบบง่าย การประหยัดต้นทุนจากการใช้ MoE ขนาดเล็ก (หรือ dense model) จะมีนัยสำคัญ
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$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| อินพุต / 1M โทเค็น | $0.400 |
| เอาต์พุต / 1M โทเค็น | $4.00 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/qwen/qwen3-vl-235b-a22b-thinkingเปิด @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