siliconflow/qwen/qwen3-vl-32b-instruct

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。