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 |
调用示意
CURL
curl -X POST "https://route.showapi.com/openai/v1/chat/completions" \
-H "Authorization: Bearer [AppKey]" \
-H "Content-Type: application/json" \
-d '{
"messages": [
{
"role": "user",
"content": "介绍你的能力和优势，并给出你的名字"
}
],
"model": "siliconflow/qwen/qwen3-vl-32b-instruct",
"stream": true,
"temperature": 0.7
}'
