深入解析：刘聪NLP | 等了大半年的Qwen3-VL终于也开源了！附模型细节&实测！

本文来源公众号“刘聪NLP”，仅用于学术分享，侵权删，干货满满。

原文链接：https://mp.weixin.qq.com/s/h25IJMUH5yFIjATaAi8dqA

刘聪NLP。就是大家好，我

抓着云栖大会，猛开源是吧，两天时间，开源了Qwen3-Omni系列模型、Qwen-Image-Edit-2509模型、Qwen3-VL模型、Qwen3Guard-Gen系列模型，共计12个。

还有一些没开源的API，比如Qwen-TTS、Qwen3-Coder-Plus、Qwen3-Max、Qwen3-LiveTranslate等等等

PS：我恨俊旸呀！天天凌晨开源~

说实话，根本测不完，都知道我一直在等Qwen3的VL模型，其他模型先放一放，今天先来测试一波VL模型。

先来看看模型相关内容，Qwen3-VL相较于Qwen2.5-VL有以下方面改进，

• vision encoder部分，Qwen3-VL沿用之前的VisionPatchEmbed，采用Conv3d，不过patch_size从14扩到了16，激活函数从silu变成gelu_pytorch_tanh

• projector部分，从之前的MLP-based Projector，额外增加DeepStack，把vision encoder中，8、16、24三层的特征，插入到LLM中

• MoE模型，位置编码MRoPE-Interleave，t,h,w 交错分布的形式，对长视频理解效果更好。就是llm decoder部分，采用Qwen3模型，能够是Dense模型，也可以是MoE模型，暂时开的Qwen3-VL-235B-A22B

Qwen2.5-VL的相关细节就不多说了，感兴趣的可以去看Paper，

https://arxiv.org/abs/2502.13923

Qwen3-VL的纯文本能力与Qwen3-235B-A22B-2507媲美，相关榜单，

HF：https://huggingface.co/collections/Qwen/qwen3-vl-68d2a7c1b8a8afce4ebd2dbe

下面带来实测，懒人速览版：

• 表格识别，Qwen3-VL依旧牛逼，本来Qwen2.5-VL就很强

• 对色彩的把握程度变高，之前色盲测试一堆问题，现在多次实验，结果均正确

• 图片排序任务，雪糕对了，菌子错了，但也解释比较合理，相较于Qwen2.5提高很多，并且比主流开源VL模型效果要好

• 网页复刻任务效果比较差，该跟榜单coding提高有点不同，但我测试了几个复刻，效果都一般

• 不行就是空间变换能力较之前有提高，可以正确识别出主视图，但其他较复杂变换，还

• 资料、推理计算很强，尤其是是推理计算，比主流开源VL模型都要好

• 目标对比不好，但可以经过grouding正确识别，感觉还是图片编码切割的问题，现在VL模型都一样

• 世界知识跟训练集相关，上海金茂大厦依然识别成上海中心大厦

• 我发现，think版本相较于instruct版本会过度思考，而导致回答错误

• 在屏幕理解并找到正确内容位置，因为grouding不错，GUI能力也不错就是当然GUI本质

• 有的结果差不多，instruct和think我就放一个了

• 整体提高很多，应该是现在开源VL的Top了

OCR识别

考察内容提取能力，为了增加难度，上手写体。

Prompt：请识别图中的文本内容，言简意赅。

Qwen3-VL-235B-A22B-Instruct：回答正确

Qwen3-VL-235B-A22B-Thinking：回答正确

表格识别

考察内容提取和指令跟随能力，需将表格图片用HTML进行还原。

Prompt：

## Role
你是一位有多年经验的OCR表格识别专家。
## Goals
需要通过给定的图片，识别表格里的内容，并以html表格结果格式输出结果。
## Constrains
- 需要认识识别图片中的内容，将每个表格单元格中的内容完整的识别出来，并填入html表格结构中；
- 图片中的表格单元格中可能存在一些占位符需要识别出来，例如"-"、"—"、"/"等；
- 输出表格结构一定遵循图片中的结构，表格结构完全一致；
- 特别注意图片中存在合并单元格的情况，结构不要出错；
- 对于内容较多的图片，一定要输出完整的结果，不要断章取义，更不要随意编造；
- 图片内容需要完整识别，不要遗漏，同时注意合并单元；
- 最终输出结果需要是html格式的表格内容。
## Initialization
请仔细思考后，输出html表格结果。

Qwen3-VL-235B-A22B：回答正确

再来一个，字多的

Qwen3-VL-235B-A22B：回答正确

网页复刻

上传一个截图，让多模态大模型进行还原，考察审美和代码能力。

Prompt：请帮我1：1还原这个网页内容，用HTML呈现。

Qwen3-VL-235B-A22B：有点奇怪，不好看

报告分析

考察内容理解能力、知识储备的能力，上传一个体检报告，看看能不能分析出来问题，以及相关的注意事项。

Prompt：请帮我解读一下报告内容。

Qwen3-VL-235B-A22B：解读正确

理解计算

考察内容理解能力、计算能力，上传一个GDP表格，找到最大值并计算占比。

Prompt：找到2024年GDP值最大的省份，并且计算占全国GDP的百分之多少？

2024年总和=1340312.8

Qwen3-VL-235B-A22B-Instruct：计算正确，很强，之前模型都很难对

Qwen3-VL-235B-A22B-Thinking：计算正确

目标识别

主要考察多模态模型对事物的识别能力，让模型判断事物是否准确、或者查东西的个数。

Prompt：图片上是两只狗对吗？

Qwen3-VL-235B-A22B：回答正确

Prompt：告诉我桌子上菇娘儿的个数。

Qwen3-VL-235B-A22B：回答错误，应该是10个

目标对比

主要考察多模态模型对图片细致内容解析及分析的能力，还有多图对比的能力。

Prompt：找到图片中奔跑的人，并返回行列序号，比如：几行几列。

正确答案是6行10列

Qwen3-VL-235B-A22B-Instruct：回答错误

Qwen3-VL-235B-A22B-Thinking：回答错误

Prompt：找到不开心的小恐龙，并返回行列序号，比如：几行几列。

正确答案是11行1列，11行6列

Qwen3-VL-235B-A22B-Instruct：回答错误

Qwen3-VL-235B-A22B-Thinking：回答错误

Grouding

查看模型定位能力，之前纯文本输出找不到的内容，grouding是能够找到的

Qwen3-VL-235B-A22B-Instruct：

Qwen3-VL-235B-A22B-Thinking：

数学做题

数学题看模型的数学能力，测试2025年高考题。

Prompt：解题

Qwen3-VL-235B-A22B：回答正确，NB之前文本模型最后一问回答有问题，VL竟然对了

图片排序

考察模型能否理清多张图片之间逻辑关系的，能否理解世界事件发展的规律。

Prompt：根据图中展示的多个场景，将最有可能发生的事件按顺序排列。 正确答案CADB，走到商店，买雪糕，滑倒，打到脸上

Qwen3-VL-235B-A22B：回答正确，牛逼，完美理解

Prompt：根据图中显示的多个场景，将最有可能发生的事件按顺序排列。 正确答案CDAB，有蘑菇，采摘并吃掉，有点晕，产生了幻觉蘑菇会走了

B-A就是Qwen3-VL-235B-A22B：回答不太对，但是也对，解释的也合理，核心是A-B，还

空间逻辑

考察模型在理解图片的基础上进行深度的逻辑分析，直接考公逻辑题。

Prompt：请回答。

正确答案为A。

Qwen3-VL-235B-A22B：回答错误，该回答很长，很长，到最后会出现中英文夹杂的现象，应该是本身Qwen3-235B-A22B的问题。

空间变换

考察模型对图像的空间转换能力。

Prompt：请回答。

Qwen3-VL-235B-A22B：回答正确，行正确识别主视图

Prompt：请回答，哪个选项的六面体展开结果是上面的展开图。

正确答案为D

Qwen3-VL-235B-A22B：回答错误

色盲测试

考察大模型对颜色的识别能力。

Prompt：图片里有数字吗？如果有的话是什么？

正常者能读出６，红绿色盲者及红绿色弱者读成 5，而全色弱者则全然读不出上述的两个字。

Qwen3-VL-235B-A22B：回答正确

Prompt：图片里有数字吗？如果有的话是什么？

色觉正常的人能清楚地从图中看出数字74，红绿色盲者会看到21，而全色盲者可能看不出数字。

Qwen3-VL-235B-A22B：回答正确

世界知识

通过考察模型的世界知识能力，看到标志性建筑，是否能够判断具体地点。

Prompt：朋友拍了一张图片，可以告诉我他是在中国哪个城市拍的吗？

通过Qwen3-VL-235B-A22B：回答正确，能够认出盘锦红海滩

Prompt：朋友拍了一张图片，允许告诉我他是在中国哪个城市拍的吗？

上海金茂大厦，算是标志性建筑了。

Qwen3-VL-235B-A22B：回答错误，上海金茂大厦依然识别不对，识别成上海中心大厦，大概率是上海中心大厦资料较多的疑问。

最终想说，等了半年，Qwen3-VL终于出来了，整体效果我还是比较满意的，

相较于之前有很大提高，同时应该也是现在VL模型的Top级别，

有点大了，期望出个贫民版吧，来个30B-A3B的就很舒服了，就是不过235B-A22B还

都肝到云栖大会发布，真是肝麻了，一下子更新这么多模型，omni、tts、max我都还没来得及测，

后面测完在更~

THE END !

我继续更新的动力。就是文章结束，感谢阅读。您的点赞，收藏，评论大家有推荐的公众号许可评论区留言，共同学习，一起进步。