Alibaba hat mit Qwen3-VL ein fortschrittliches Open-Source-Modell vorgestellt, das die Fähigkeiten von Sprache und Bilderkennung vereint. Dieses multimodale Modell verspricht, die Interaktion mit digitalen Inhalten und die Analyse komplexer Daten grundlegend zu verändern und steht der globalen Entwicklergemeinschaft zur Verfügung.
Key Takeaways
- Alibaba hat das leistungsstarke Open-Source-Sprach-Vision-Modell Qwen3-VL veröffentlicht.
- Es kombiniert Sprach- und Bildverarbeitung und übertrifft in bestimmten Vision-Tests Googles Gemini 2.5 Pro.
- Das Modell kann grafische Oberflächen verstehen und bedienen, Code aus Screenshots generieren und Videos analysieren.
- Qwen3-VL unterstützt mehrsprachige Texterkennung, räumliches Verständnis und zeigt Stärken in Mathematik und Naturwissenschaften.
- Es ist über Hugging Face, ModelScope und die Alibaba Cloud zugänglich, mit einem öffentlichen Chat-Zugang.
Leistungsstarke multimodale Fähigkeiten
Alibaba hat mit Qwen3-VL ein neues Open-Source-Modell auf den Markt gebracht, das Sprache und Bild nahtlos miteinander verbindet. Die leistungsstärkste Variante, Qwen3-VL-235B-A22B, ist in zwei Ausführungen erhältlich: "Instruct" soll laut Alibaba in wichtigen Vision-Tests Googles Gemini 2.5 Pro übertreffen. Die "Thinking"-Variante erzielt nach Angaben des Unternehmens Spitzenwerte bei multimodalen Denkaufgaben.
Vielseitige Anwendungsbereiche
Das Modell zeichnet sich durch eine beeindruckende Bandbreite an Fähigkeiten aus. Es kann grafische Benutzeroberflächen verstehen und bedienen, was neue Möglichkeiten für die Automatisierung und Interaktion mit Software eröffnet. Darüber hinaus ist es in der Lage, Code direkt aus Screenshots zu generieren. Eine weitere bemerkenswerte Funktion ist die Analyse von Videos mit einer Länge von bis zu zwei Stunden. Qwen3-VL kann Texte in 32 verschiedenen Sprachen erkennen, selbst bei schlechter Bildqualität. Das Modell unterstützt zudem räumliches Verständnis in sowohl 2D- als auch 3D-Umgebungen und bietet laut Hersteller starke Leistungen in den Bereichen Mathematik und Naturwissenschaften.
Zugänglichkeit und Verfügbarkeit
Qwen3-VL ist für die globale Entwicklergemeinschaft über gängige Plattformen wie Hugging Face, ModelScope und die Alibaba Cloud zugänglich. Für Interessierte steht ein öffentlicher Chat-Zugang unter chat.qwen.ai zur Verfügung, um die Fähigkeiten des Modells direkt zu erleben.
KI Snack
