Qwen3-VL 235B-A22B Instruct — 開放權重視覺語言模型，總參數235B / 活躍參數22B，256k上下文，無思考模式。
Qwen3 VL 235B A22B Instruct 是 Qwen3 模型系列中的視覺語言變體，由阿里雲建構。它採用混合專家設計，總參數達 2350 億，其中每次前向傳播約有 220 億參數被激活。這種 MoE 結構使模型能夠維持高容量，同時保持低於類似總規模密集模型的推論成本。該模型接受文字和圖像輸入，並生成文字輸出。它經過指令調優，能夠在多模態場景中可靠地遵循提示。OrcaRouter…
該模型在圖像與文字互動的任務中表現優異。它能回答關於圖像內容的問題、詳細描述場景、從文件或標誌中讀取文字，以及推理圖片中物體之間的關係。它還能在單一對話中處理多張圖像，允許比較分析或序列推理。指令微調使模型能夠遵循複雜的多模態提示，例如'Explain why this chart shows a trend'或'Extract all numerical values from this table.'。這些能力源自大型MoE骨幹和專門的視覺語言訓練。
作為指令型變體，該模型經過微調，能高度忠實地遵循用戶指令，無論是純文字還是多模態提示。它能處理逐步引入圖像的多輪對話，在多次交流中維持上下文，並遵循格式指令（例如，輸出為 JSON、項目符號或逐步說明）。在需要遵循限制的任務上表現良好，例如「僅當圖像包含狗時才回答」。這使其適用於需要一致且遵循規則行為的應用。
對於純文字任務且沒有視覺元件的情況，235B MoE 模型可能過於強大了；較小型的稠密模型或其他純文字 Qwen 變體會更具成本效益。同樣地，如果你的圖片很簡單（例如基本的標誌、單一物體），或者你需要在預算內達到極高的吞吐量，那麼像 Qwen2-VL 7B 這樣較小型的視覺模型就足夠了。這個模型最適合用於需要處理複雜的高解析度圖片、含有密集文字的文件，或是需要深度多模態推理的任務。在 OrcaRouter 上，你可以輕鬆比較價格並切換模型 ID。
不。Qwen3 VL 235B A22B Instruct 是一個僅接受圖像作為輸入的文字生成模型。它不會生成圖像、音訊或任何其他模態。輸出始終是文字字串。如果你需要生成圖像，需要使用另一個獨立的模型。這個模型的優勢在於理解並推理視覺輸入。例如，它可以描述圖像的外觀或回答關於圖像的問題，但它本身無法創建、編輯或轉換圖像。
該模型報告的 MMLU-Pro 分數為 82.3。MMLU-Pro 是 Massive Multitask Language Understanding 基準測試的強化版本，涵蓋 STEM、人文與社會科學等 57 個學科。82.3 的分數顯示其在多元主題上具備強大的常識與推理能力。此為單一數值彙總，各學科表現可能有所不同。該分數使此模型在同尺寸類別中位列頂尖表現者，尤其是考量到其 MoE 架構——每次查詢僅啟用總參數中的一小部分。
優勢包括在多模態推理基準測試中準確度高、指令遵循能力強，以及相較於相同總參數量的密集模型更具成本效益。MoE設計使其能夠在不成比例增加運算成本的情況下擴展容量。限制包括與較小模型相比絕對成本較高，且由於總參數數量龐大（即使只有22B活躍，完整模型仍需載入記憶體），可能導致延遲增加。此外，它偶爾可能對影像中的細微細節產生幻覺，或在高度模糊的視覺輸入上失敗。特定領域任務（如醫學影像）的表現則無法保證。
推論速度取決於 OrcaRouter 所使用的硬體後端以及當前負載。作為一個擁有 2350 億總參數的 MoE 模型，即使每個 token 僅啟動 220 億參數，仍需要大量 GPU 記憶體。這通常會導致每個請求的延遲高於較小的密集模型（例如 7B-70B 參數）。吞吐量也受批次大小和序列長度影響。對於延遲敏感的應用，建議使用較小的模型或優化較短的提示。OrcaRouter 不提供特定的延遲保證，但目標是達到生產級的反應速度。
OrcaRouter 完全按照提供商所列出的費率收費：每 100 萬個輸入代幣 $0.40，每 100 萬個輸出代幣 $1.60，不另加任何加成。輸入與輸出代幣皆依據 OpenAI 的代幣化規則計算，該規則可能與模型內部標記器略有差異。圖片也會根據其尺寸與細節等級，按照提供商的政策以代幣計費。您可以將預期的代幣用量乘以這些費率來估算成本。
每 token 成本高於較小或較密集的模型，但 MoE 架構在同等活躍參數規模下，提供的每活躍參數容量比密集模型更大。對於複雜的多模態任務，此模型可能以更少的 token 數完成任務，或提供更高準確度，從而可能降低總花費。然而，對於簡單任務，使用較便宜的模型能降低成本。在 OrcaRouter 上，您可以隨時切換模型，僅在需要時才使用此模型。無需最低月費或隱藏費用。
OrcaRouter 目前未公開此模型的具體快取策略。底層供應商可能採用 Token 級別的快取，但並不保證。未提及批量折扣或分級定價；費率為每個 Token 固定價格。對於大量使用的用戶，或許值得聯繫 OrcaRouter 支援團隊，以了解可能的客製化方案。總體而言，定價透明且按用量計費。
影像會根據其解析度與細節設定，轉換為對應的標記數量。確切計算公式由模型提供者（Qwen）定義，可能有所差異。通常解析度越高的影像會消耗更多標記。OrcaRouter 會直接沿用提供者的標記化方式，不作任何修改。您可以透過調整影像大小，或在模型支援的情況下啟用低細節模式來控制成本。請務必參考提供者官方文件，以取得精確的影像標記計算方式。影像的輸入標記將按每百萬個 $0.40 的費率計費。
您向 https://api.orcarouter.ai/v1/chat/completions 發送一個 POST 請求，內容為 OpenAI 相容的 JSON 負載。將 model 欄位設為 "qwen/qwen3-vl-235b-a22b-instruct"。包含一個 messages 陣列，其中每則訊息可以包含文字和/或圖片內容。對於圖片，使用標準 OpenAI 圖片內容格式（URL 或 base64）。驗證方式為 Bearer 權杖（您的 API 金鑰）。範例參數：temperature、max_tokens、top_p 以及 stop 序列，其運作方式與 OpenAI API 完全相同。OrcaRouter 的文件提供完整細節。
所有標準聊天完成參數均受支援：temperature（0-2，預設1）、top_p（0-1，預設1）、max_tokens（輸出token數量）、stop（字串列表）、presence_penalty、frequency_penalty，以及用於可重現性的seed。模型也遵循設定行為的系統訊息。對於多模態請求，您可以在使用者訊息內容中包含圖片部分。沒有暴露模型專屬參數；API保持通用以確保相容性。如果您需要控制MoE路由，那會由內部處理。
是的。由於OrcaRouter使用OpenAI API格式，遷移非常簡單。將您現有的基礎URL和模型ID替換為OrcaRouter的端點和"qwen/qwen3-vl-235b-a22b-instruct"。確保您的API金鑰有效且餘額充足。圖片的訊息格式與OpenAI完全相同（使用'image_url'內容類型）。由於分詞方式不同，您可能需要調整Token數量估算。除了端點和模型名稱之外，無需修改應用程式的邏輯。
Qwen3 VL 235B A22B Instruct 和 GPT-4V 都能處理多模態輸入。主要差異：Qwen3 VL 採用 MoE 架構，擁有 22B 活躍參數，而 GPT-4V 則是專有的密集模型，參數量未公開。Qwen3 VL 透過 OrcaRouter 的定價為每百萬 token $0.40/$1.60，遠低於典型 GPT-4V 的費率。基準測試分數無法直接比較，因為 MMLU-Pro 和其他測試使用了不同的子集。GPT-4V 擁有更廣泛的生態系統支援，但 Qwen3 VL 在 OrcaRouter 上對於高量多模態工作負載具有成本優勢。
Claude 3.5 Sonnet 是 Anthropic 開發的密集模型，具備強大的文字與視覺能力。它不使用 MoE 架構，因此總參數量低於 Qwen3 VL 的總參數，但每次推理的活躍容量高於 22B。Claude 3.5 Sonnet 的定價通常每 token 較高（大約每百萬 token $3.00/$15.00）。Qwen3 VL 在多模態任務上的成本則低得多。然而，Claude 模型擁有更大的上下文窗口（200K tokens）。取決於預算、所需上下文長度以及偏好的提供者。
OrcaRouter 可能還提供其他 Qwen 模型，例如 Qwen2.5 7B、Qwen2.5 72B 或 Qwen2-VL 系列變體。Qwen3 VL 235B A22B Instruct 是 Qwen 系列中最大的多模態 MoE 模型。與 Qwen2-VL 72B 相比，它具有更多的總參數量和 MoE 架構，這能在複雜任務上帶來更佳表現，同時維持合理的推理成本。雖然每個 token 的價格比較小的 Qwen 模型更高，但若能減少多次調用或高 token 消耗的需求，仍可能具有成本效益。
相容 OpenAI——沿用你現有的 SDK
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3-vl-235b-a22b-instruct",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)| 輸入 / 1M tokens | $0.400 |
| 輸出 / 1M tokens | $1.60 |
| 貨幣 | USD |
基於標價的估算
僅為估算——實際 Token 數取決於供應商的分詞器。
@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