Rodzina otwartych modeli wizualno-językowych (VLM) Qwen od Alibaba: rozumienie obrazu, wideo i dokumentów, OCR, grounding i agent wizualny. Warianty 2B–235B (dense i MoE).
✓ Aktywny✓ Publiczny dostęp⚖ Open sourceModel multimodalnyModel rozumowaniaModel używający narzędzi📁 Qwen
Okno kontekstowe
256K (rozszerzalne do 1M przez YaRN)
tokenów
Parametry
2B–235B (dense i MoE)
parametrów
Data premiery
23 września 2025
Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud
Przegląd
Dostęp i wdrożenie
PobieranieAPIHostowane
LokalnieChmura
Wagi: Open source
Kluczowe parametry
📏 Kontekst: 256K (rozszerzalne do 1M przez YaRN)
🧩 Parametry: 2B–235B (dense i MoE)
✓ Narzędzia · ✓ Fine-tuning
📥 Wejście: tekst, obraz, wideo, dokumenty
Specyfikacja techniczna
Okno kontekstowe
256K (rozszerzalne do 1M przez YaRN)
tokenów
Parametry
2B–235B (dense i MoE)
parametrów
Licencja
Apache-2.0
Funkcje:✓ Używanie narzędzi✓ Fine-tuning
Modalności
⬇ Wejście (Input)
textimagevideodocuments
⬆ Wyjście (Output)
textcodestructured_data
Możliwości i zastosowania
Natywne możliwości modelu
Rozumienie multimodalne
Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.
Kategoria: multimodal
Rozumienie obrazu
Analiza i interpretacja treści obrazów.
Kategoria: vision
Rozumienie wideo
Zdolność modelu do analizy i interpretacji treści wideo — rozpoznawania akcji, ruchu, zdarzeń oraz relacji między obiektami w czasie.
Kategoria: video
OCR
Rozpoznawanie tekstu na obrazach i w dokumentach.
Kategoria: vision
Lokalizacja wizualna (grounding)
Wskazywanie i lokalizowanie obiektów na obrazie w odpowiedzi na zapytanie tekstowe — zwracanie ramek (bounding boxes) lub punktów powiązanych z opisem.
Kategoria: vision
Rozumienie wykresów
Odczyt i interpretacja wykresów, tabel i diagramów.
Kategoria: vision
Sledzenie obiektow (wideo)
Zdolnosc do sledzenia wybranych obiektow w kolejnych klatkach wideo, w tym utrzymywania ich masek/tozsamosci mimo ruchu, przeslon i zmian wygladu.
Kategoria: vision
Rozumowanie
Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.
Kategoria: reasoning
Długi kontekst
Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.
Kategoria: language
Zdolności agentowe
Zdolność modelu do autonomicznego planowania i wykonywania wieloetapowych zadań poprzez sekwencyjne użycie narzędzi, utrzymywanie kontekstu i adaptację do wyników pośrednich.
Kategoria: planning
Obsługa komputera
Zdolność modelu do obsługi interfejsu komputera poprzez interpretację zrzutów ekranu oraz generowanie akcji takich jak kliknięcia, wpisywanie tekstu i nawigacja po aplikacjach.
Kategoria: planning
Użycie narzędzi
Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.
Kategoria: planning
Wielojęzyczność
Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.
Kategoria: language
Cennik
Architektura techniczna
Rdzeń architektury (Core Architecture)
Forma modelu (Model Form)