阿里发布Qwen3-VL：开源多模态登顶 SOTA

推荐语

阿里开源多模态模型Qwen3-VL登顶SOTA，开创性"视觉智能体"功能让AI从看懂世界迈向行动世界。

核心内容：
1. Qwen3-VL在多项基准测试中超越Gemini 2.5 Pro等顶尖模型
2. 模型实现从感知到认知再到行动的完整技术闭环
3. 革命性的"视觉智能体"功能可直接操作PC和手机GUI

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

过去一年，我们见证了多模态AI在“理解世界”能力上的飞速发展。以Google的Gemini 2.5 Pro为代表的模型，已能精准地识别、分析和解读复杂的视觉信息。但这在本质上，仍是一种被动的观察。

一个关键问题随之而来：在AI能够“看懂”之后，下一步是什么？

Qwen3-VL的发布，提供了一个清晰的答案：行动。它所展示的核心思路，并非简单地在感知层面进行军备竞赛，而是在构建一个从感知（Sense）到认知（Think）再到行动（Act）的完整技术闭环，并选择将这一闭环的潜力，通过开源释放出来。

地基：与顶尖水平对齐的感知力

有效的行动，必须建立在精准的环境感知之上。Qwen3-VL首先确保了其“视觉”能力与行业最高水平对齐。

这一点，体现在其于MMMU、MathVista等多个关键基准测试中不逊于甚至部分超越Gemini 2.5 Pro等模型的表现。

除了常规的图像识别，其感知能力延伸至更复杂的维度：

• • 空间理解：模型能从2D图像中解析出3D空间关系，为物体提供3D边界框，这对于具身智能、自动驾驶等需要空间推理的场景至关重要。
• • 文档解析：其OCR能力支持32种语言，并能以结构化方式理解票据、报表等复杂文档的布局与内容。

引擎：支撑复杂任务的认知核心

原始的感知数据需要一个强大的认知核心来处理，才能形成有效的决策。Qwen3-VL通过两个关键特性构建了这一引擎。

• • 长上下文处理：模型原生支持256K上下文，并可扩展至1M。这意味着它可以处理并记忆长达数小时的视频或整本书籍的内容，为需要长期记忆和深度推理的任务提供了可能。
• • 统一的认知能力：值得注意的是，其强大的多模态能力并未以牺牲纯文本能力为代价。测试数据显示，Qwen3-VL的语言理解和推理能力与同级别的纯语言模型相当，避免了“偏科”问题。

演进：赋予AI“动手”的能力

在坚实的感知和认知基础之上，Qwen3-VL引入了其最具差异化的能力——行动。

视觉智能体 (Visual Agent) 是这一能力的核心体现。它使AI能够直接操作PC和手机的图形用户界面（GUI）。这意味着，用户与AI的交互可以从“问答式”转变为“任务委派式”。

例如，用户不再需要询问“如何预订去上海的机票？”，而是可以直接下达指令：“预订一张今晚七点后从北京到上海的东航经济舱机票。”AI将自主完成打开应用、选择日期、筛选航班、填写信息等一系列操作。

这种从“信息分析师”到“任务执行者”的角色转变，是多模态AI应用走向深水区的关键一步。它预示着一种新人机交互范式的出现，AI将更深地融入我们的工作流与生活流之中。

总而言之，如果说Gemini 2.5 Pro等闭源模型正致力于将AI“看世界”的能力打磨至极限，那么Qwen3-VL则通过开源，为行业提供了另一条道路：在同样强大的感知能力之上，探索AI如何“操作系统”乃至“改变数字世界”的可能。