Qwen3-VL ist die Vision-Language-Serie der dritten Qwen-Generation. Die Modelle verstehen Bilder, Dokumente und stundenlange Videos und können Bedienoberflächen am PC und Smartphone steuern. Das Flaggschiff Qwen3-VL-235B-A22B erreicht bei Dokumenten Werte über denen von Gemini 2.5 Pro und GPT-5, etwa 97,1 bei DocVQA.
Die Serie reicht von dichten Modellen mit 2, 4, 8 und 32 Milliarden Parametern bis zu den Mixture-of-Experts-Modellen (MoE) 30B-A3B und 235B-A22B, jeweils als Instruct und Thinking. Alle verarbeiten 262.144 Token Kontext und erkennen Text in 32 Sprachen. Die Gewichte stehen unter der Lizenz Apache 2.0.
Qwen3-VL (2B, 4B, 8B, 32B, 30B-A3B und 235B-A22B, je Instruct und Thinking)
Alibaba (Qwen-Team)
September und Oktober 2025
Apache 2.0
Multimodal (Bild, Dokumente, Video), dichte und MoE-Modelle, je Instruct und Thinking
2 Mrd. (dicht) bis 235 Mrd. total mit 22 Mrd. aktiv (MoE)
Vision-Encoder SigLIP-2 mit Qwen3-Sprachmodell, Interleaved-MRoPE, DeepStack und Text-Timestamp Alignment
262.144 Token nativ, bis 1 Mio. Token mit YaRN
Das Flaggschiff als MoE-Modell mit 22 Milliarden aktiven Parametern, als Instruct und Thinking sowie in FP8. Es braucht einen Server mit mehreren GPUs.
Mittelgroße Modelle für eine bis zwei GPUs. Das MoE-Modell 30B-A3B ist schneller, das dichte 32B im Denkmodus meist etwas stärker.
Kompakte dichte Modelle für einzelne GPUs und Endgeräte. Alle Größen gibt es als Instruct und Thinking, in FP8 und als GGUF.
Qwen3.5 und Qwen3.6 sind von Grund auf multimodal und übertreffen laut Qwen-Team die Qwen3-VL-Modelle. Für Audio und Sprache gibt es Qwen3-Omni.
| Benchmark | Qwen3-VL-235B-A22B Thinking | Qwen3-VL-235B-A22B Instruct | Gemini 2.5 Pro (Thinking) | GPT-5 (high) | Claude Opus 4.1 (Thinking) |
|---|---|---|---|---|---|
| MMMU | 80,6 | 78,7 | 81,7* | 84,2* | 78,4 |
| MMMU-Pro | 69,3 | 68,1 | 68,8* | 78,4* | 64,8 |
| MathVision | 74,6 | 66,5 | 73,3* | 70,9 | 64,3 |
| MMBench-EN | 88,8 | 89,3 | 90,1* | 83,8 | 79,4 |
| RealWorldQA | 81,3 | 79,2 | 78,0* | 82,8 | 69,9 |
| HallusionBench | 66,7 | 63,2 | 63,7* | 65,7 | 60,4 |
| DocVQA | 96,5 | 97,1 | 92,6 | 91,5 | 92,5 |
| InfoVQA | 89,5 | 89,2 | 84,2 | 79,0 | 69,4 |
| CharXiv (RQ) | 66,1 | 62,1 | 67,9 | 81,1* | 63,6 |
| MMLongBench-Doc | 56,2 | 57,0 | 55,6 | 51,5 | 54,5 |
| Video-MME (ohne Untertitel) | 79,0 | 79,2 | 85,1 | 84,7 | 75,6 |
| VideoMMMU | 80,0 | 74,7 | 83,6* | 84,6* | 76,2 |
| Design2Code | 93,4 | 92,0 | 89,2 | 92,5 | 88,5 |
Quelle: Qwen3-VL Technical Report (Qwen-Team, November 2025). Angaben in Prozent. Mit * markierte Werte stammen aus den Veröffentlichungen der jeweiligen Anbieter.
Die Vision-Language-Serie von Qwen in sechs Größen. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
Das Vortraining lief in vier Stufen: Zunächst lernte nur die Verbindung zwischen Bild-Encoder und Sprachmodell mit 67 Milliarden Token. Danach folgten rund eine Billion Token gemeinsames Training, eine weitere Billion für lange Kontexte bis 32.768 Token und 100 Milliarden Token für sehr lange Kontexte bis 262.144 Token.
Im Post-Training folgten Feintuning, Distillation von großen auf kleine Modelle und Reinforcement Learning, bei dem das Modell aus Bewertungen seiner eigenen Antworten lernt. Dabei entstanden jeweils getrennte Instruct- und Thinking-Versionen.
Qwen3-VL eignet sich für Organisationen, die Bild- und Dokumentverarbeitung selbst betreiben wollen, vom Endgerät bis zum Server. In einer KI-Beratung prüfen wir mit Ihnen die passende Größe.
Stark bei Dokumenten: Bei DocVQA, InfoVQA und MMLongBench-Doc vor Gemini 2.5 Pro, GPT-5 und Claude Opus 4.1.
Visuelles Coding: 93,4 bei Design2Code, bester Wert der Tabelle.
Große Auswahl an Größen: Von 2B für Endgeräte bis 235B für Server, jeweils Instruct und Thinking.
Lange Videos: Stundenlange Videos mit sekundengenauer Zuordnung.
Kommerziell frei nutzbar: Apache 2.0 ohne Umsatzgrenzen.
Hinter GPT-5 bei Reasoning: Bei MMMU-Pro (78,4 gegenüber 69,3) und CharXiv liegt GPT-5 deutlich vorn.
Hinter Gemini bei Video: Bei Video-MME und VideoMMMU liegen Gemini 2.5 Pro und GPT-5 vorn.
Überholt durch Qwen3.5: Die nativ multimodalen Nachfolger übertreffen Qwen3-VL laut Qwen-Team.
Keine Audioverarbeitung: Für Sprache und Ton gibt es Qwen3-Omni.
Wir planen die Cluster-Auslegung für Qwen3-VL, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
Für einzelne GPUs oder Endgeräte eignen sich 2B, 4B und 8B. Die mittelgroßen 30B-A3B und 32B laufen auf einer bis zwei GPUs, das Flaggschiff 235B-A22B braucht einen Server mit mehreren GPUs.
Instruct antwortet direkt und ist bei Dokumenten und Texterkennung oft etwas stärker. Thinking denkt vor der Antwort nach und liegt bei Mathematik und Reasoning vorn.
Ja. Die Modelle erkennen Elemente auf PC- und Smartphone-Oberflächen, verstehen ihre Funktion und können Aufgaben über Werkzeuge ausführen, etwa in AndroidWorld und OSWorld.
Ja. Das Qwen-Team von Alibaba veröffentlicht die Gewichte unter der Lizenz Apache 2.0. Sie dürfen das Modell ohne Umsatzgrenzen kommerziell einsetzen, anpassen und weitergeben.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
