Qwen3 VL 32B

qwenqwen/qwen3-vl-32b

Qwen3 VL 32B — mid-range vision-language model with tool use for multimodal workflows.

Hugging Face 模型主页（Instruct） ↗Qwen3-VL GitHub 仓库 ↗Qwen3-VL 技术报告（arXiv 2511.21631） ↗Qwen Chat 在线演示 ↗

Qwen3-VL-32B 是阿里 Qwen 于 2025 年 10 月 21 日发布的 Qwen3-VL 系列旗舰稠密视觉语言模型。它将 32B 参数语言骨干与增强型 ViT 图像编码器结合，并引入三项关键架构升级——Interleaved-MRoPE（跨图像/视频/文本交错序列的时序-空间位置编码）、DeepStack（多层 ViT 特征融合）和文本时间戳对齐（精准的视频时序定位）。提供两个版本：Instruct（指令微调，标准补全）和 Thinking（推理增强，带逐步 CoT 轨迹），均可通过 TheRouter 上的同一模型 ID qwen/qwen3-vl-32b 访问。

对 TheRouter 用户而言，Qwen3-VL-32B 是推荐的中档视觉语言模型，适合需要认真多模态推理而无需 235B MoE 旗舰成本的工作负载。以每百万 token $0.336/$1.008 的价格，它可处理图像问答、32 种语言 OCR、GUI agent 任务、视频理解（原生 256K 上下文，可扩展至 1M）、图表与表格提取，以及 STEM 视觉推理。Thinking 版的思维链输出使其在教育、科学和数学密集型管道中无需独立文本推理模型即可实用。

适合使用

• 文档智能与 OCR——32 种语言 OCR，支持低光、模糊和倾斜的鲁棒识别；从发票、合同、表格和长文档 PDF 中进行结构化提取，原生 256K 上下文
• GUI 与视觉 agent 工作流——识别 UI 元素、理解其功能、调用工具并在 PC/移动端屏幕上完成任务；适合基于截图的 agentic 自动化
• STEM / 数学视觉推理——使用 Thinking 版处理嵌入图像中的竞赛级数学题、科学图表和多步因果分析；在 MathVista 和 MathVision 上超越 Qwen2.5-VL-72B
• 长视频理解——对数小时视频进行秒级索引和完整召回；通过文本时间戳对齐进行时序定位，支持视频存档的检索、摘要和问答
• 多模态编程——从图像或视频输入生成 Draw.io 图表、HTML/CSS/JS 和结构化数据文件；适用于设计转代码和 UI 截图逆向工程

不适合使用

• 无视觉输入的纯文本任务——32B 语言骨干性能不错，但价格更低的 qwen/qwen3-32b 是纯文本工作负载的正确选择
• 每 token 成本至关重要的最大规模批量视觉工作负载——考虑 qwen/qwen3-vl-8b 处理较轻任务，或 qwen/qwen3-vl-235b（MoE，22B 激活）在集群规模下追求最高质量
• 音频或原生视频生成——Qwen3-VL-32B 仅支持图像+文本输入/文本输出；无法生成音频、视频或渲染图像

上下文长度

33K

最大输出

输入价格每百万 tokens

$0.1728每百万 Tokens

输出价格每百万 tokens

$0.6912每百万 Tokens

模态能力

文本图像→文本

能力

视觉理解

价格明细

类型	费率
输入	$0.1728 每百万 Tokens
输出	$0.6912 每百万 Tokens

支持参数

temperaturemax_tokenstop_ptoolstool_choicestop

模型规格

发布日期	2025-10-21github.com ↗	已核实
架构	稠密 Transformer；约 32B 参数；增强型 ViT 图像编码器，含 Interleaved-MRoPE 和 DeepStackarxiv.org ↗	已核实
输入模态	文本、图像、视频（支持交错序列）huggingface.co ↗	已核实
原生上下文长度	256K token（可扩展至 1M）github.com ↗	已核实
OCR 支持语言	32 种语言huggingface.co ↗	已核实
许可	Apache 2.0huggingface.co ↗	已核实
训练数据截止	未公开披露	未知

基准成绩

Benchmark	Score	Source
MMMU	76.0%	www.emergentmind.com ↗
MathVista_mini	83.8%	www.emergentmind.com ↗
MathVision	63.4%	www.emergentmind.com ↗
MMLongBench-Doc	54.6%	www.emergentmind.com ↗

API 使用示例

所有新集成都应使用下方示例中的全球端点 api.therouter.ai；旧中国加速端点已下线。

cURL

curl https://api.therouter.ai/v1/chat/completions   -H "Content-Type: application/json"   -H "Authorization: Bearer $THE_ROUTER_API_KEY"   -d '{
    "model": "qwen/qwen3-vl-32b",
    "messages": [
      {"role": "user", "content": "Summarize the key points from this input."}
    ]
  }'

API 使用指南

视觉 Chat 调用

cURL

curl https://api.therouter.ai/v1/chat/completions \
  -H "Authorization: Bearer $THEROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen/qwen3-vl-32b",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "image_url", "image_url": {"url": "https://therouter.ai/assets/vision-sample.png"}},
        {"type": "text", "text": "Describe what you see in this image."}
      ]
    }]
  }'

qwen 其他模型

qwen/qwen3-vl-235b qwen/qwen3-vl-8b qwen/qwen3-32b

动态与变更

2025-11-27

Qwen3-VL 技术报告发布于 arXiv（2511.21631）

Qwen 团队发布了 42 页完整技术报告，涵盖 Interleaved-MRoPE 位置编码方案、DeepStack 视语言对齐、文本时间戳视频定位，以及 Qwen3-VL 稠密（2B/4B/8B/32B）和 MoE（30B-A3B/235B-A22B）系列的全面基准测试结果。

TheRouter 编辑重写arxiv.org ↗

2025-10-21

Qwen3-VL-32B Instruct 与 Thinking 版本正式发布

阿里 Qwen 在 Hugging Face 上同时发布了 Qwen3-VL-32B 的 Instruct 和 Thinking 两个版本，完成了 Qwen3-VL 系列中档型号的发布。Thinking 版在视觉管道中加入了思维链推理，使原本需要独立文本推理模型的 STEM 和数学密集型视觉任务成为可能。

TheRouter 编辑重写github.com/QwenLM ↗

常见问题

TheRouter 上的 Qwen3-VL-32B Instruct 与 Thinking 有何区别？

Instruct 针对视觉问题的直接、简洁回答进行了优化——延迟更低，无推理轨迹开销。Thinking 在最终答案前生成逐步思维链推理，增加了 token 数量和成本，但在 STEM、嵌入数学图像和多步视觉推理任务上显著提升准确率。在 TheRouter 上，qwen/qwen3-vl-32b 模型 ID 默认路由到 Instruct 版；Thinking 版路由参数请查阅 TheRouter 文档。

huggingface.co ↗

Qwen3-VL-32B 能处理视频还是仅处理图像？

Qwen3-VL-32B 除图像和文本外原生支持视频输入，上下文窗口 256K token，可扩展至 1M。通过文本时间戳对齐架构，它提供秒级时序索引和长视频全量召回。通过 TheRouter /v1/chat/completions 端点的视频支持情况可能与直接 API 访问不同——请查阅当前 TheRouter 模型卡了解支持的输入类型。

github.com ↗

Qwen3-VL-32B 与 Qwen2.5-VL-72B 相比如何？

Qwen3-VL-32B Instruct 在 MMMU（76.0 vs 77.7）上与 Qwen2.5-VL-72B 持平或略低，在 MathVista（83.8 vs 79.4）和 MathVision（63.4 vs 64.3）上以不到一半的参数量超越了后者。Thinking 版在数学密集型基准上进一步拉开差距（MMMU 78.1，MathVista 85.9，MathVision 70.2）。对于大多数生产多模态工作负载，Qwen3-VL-32B 比上一代 72B 模型提供了更好的成本-质量权衡。

TheRouter 编辑重写www.emergentmind.com ↗

可以从 Cursor、Cline 或其他 OpenAI 兼容客户端使用 Qwen3-VL-32B 吗？

可以。将客户端 base URL 设置为 https://api.therouter.ai/v1，配置 TheRouter API key，并将 model 设置为 qwen/qwen3-vl-32b。图像输入遵循标准 OpenAI vision 格式（image_url content part）。支持流式传输和工具调用。仅发送文本的客户端也可正常使用——视觉能力是附加功能。