Qwen3-VL-32B-Instruct 是一个大规模的多模态视觉语言模型，设计用于在文本、图像和视频方面进行高精度理解和推理。拥有32B个参数，它结合了深度视觉感知与先进的文本理解，实现了细粒度的空间推理、文件和场景分析以及长远景视频理解。支持32种语言的稳固OCR，并通过Interleaved-MRoPE和DeepStack架构实现了增强的多模态融合。优化于代理交互和视觉工具使用，Qwen3-VL-32B为复杂的真实世界多模态任务提供了最先进的性能。
模型基本信息
输入类型：文本、图像、视频
输出类型：文本
TPM：80,000
上下文长度262K
最大输入长度：262K
最大输出长度：66K
模型特性
工具调用
结构化输出
前缀续写
视觉输入
推理
模型价格
| 条件 | 计费项 | 价格 |
|---|---|---|
| 输入 <256k | 输入 | 1 元 / M Tokens |
| 输出 | 4 元 / M Tokens |
API部署与调用
CURL
curl --location -g --request POST "https://api.example.com/v1/chat/completions" \
--header "Authorization: Bearer $API_KEY" \
--header "Content-Type: application/json" \
--data-raw '{
"messages": [
{
"role": "user",
"content": "你可以帮我做什么"
}
],
"model": "Qwen/Qwen3-VL-32B-Instruct",
"stream": false
}'
