我们推出Qwen3-VL，这是迄今为止Qwen系列中能力最强的视觉语言模型，在广泛的多模态基准测试中均展现出卓越性能。该模型原生支持长达256K tokens的交错上下文，能够无缝融合文本、图像与视频信息。模型家族涵盖密集架构（2B/4B/8B/32B）与混合专家架构（30B-A3B/235B-A22B），以适应不同场景下的延迟与质量权衡需求。Qwen3-VL具备三大核心能力：（i）显著增强的纯文本理解能力，在多个场景下超越同类纯文本骨干模型；（ii）强大的长上下文理解能力，原生支持文本及交错式多模态输入的256K token窗口，能够准确保留、检索并跨长文档与视频实现交叉引用；（iii）在单图、多图及视频任务中均展现出先进的多模态推理能力，在MMMU以及视觉数学基准测试（如MathVista和MathVision）中表现领先。在架构层面，我们引入三项关键升级：（i）改进的交错式MRoPE（interleaved-MRoPE），显著增强图像与视频中的时空建模能力；（ii）引入DeepStack机制，有效利用多层级视觉Transformer（ViT）特征，强化视觉与语言之间的对齐；（iii）基于文本的时间对齐技术，从T-RoPE演进为显式的文本时间戳对齐，实现更精确的时序定位。在相近的token预算与延迟约束下，Qwen3-VL在密集架构与混合专家（MoE）架构中均实现了更优性能。我们展望Qwen3-VL将成为现实工作流中图像引导推理、智能体决策以及多模态代码智能的底层核心引擎。