Qwen3-VL: визуальный агент с контекстом 256K

Alibaba выкатили 30B вариант Qwen3-VL — мультимодалки, которая умеет работать как оператор с ПК и мобильными интерфейсами как агент: распознаёт элементы, вызывает инструменты, выполняет задачи.

Генерит код (Draw.io/HTML/CSS/JS) прямо из видео и картинок. Понимает пространственные связи объектов, включая 3D grounding.

256K токенов контекста из коробки, расширяется до 1M. Обещают полное запоминание и посекундную индексацию через Interleaved-MRoPE.

OCR теперь на 32 языках (было 19), работает при плохом свете, размытии, наклонах. Узнаёт знаменитостей, аниме, продукты, флору.

Наконец-то достойная замена gemma3:27b - размер примерно одинаковый.
Так ещё и оператор!

#Qwen3VL #VisualAgent #Alibaba #Китай
------
@tsingular