| 規格 | 詳細資訊 |
|---|---|
| 模型名稱 | Qwen3-VL-30B-A3B |
| 開發者 / 團隊 | Alibaba Qwen AI Team |
| 架構 | Transformer 與 Mixture-of-Experts (MoE) |
| 總參數量 | 30.5 B |
| 啟用參數量 | ~3.3 B |
| 注意力頭 | 分組 (32 Q / 4 KV) |
| 層數 | ~48 |
| 原生上下文長度 | 256,000 tokens (text + vision) |
| 擴展上下文 | 最多可至 ~1,000,000 tokens (via extension techniques) |
| 模態 | Text, Image, Video, OCR |
| 輸入類型 | Text, Images, Video streams |
| 輸出類型 | Text |
| 授權 | Apache 2.0 (Open Source) |
什麼是 Qwen3-VL-30B-A3B？
Qwen3-VL-30B-A3B 是 Qwen3-VL 系列中的 Mixture-of-Experts 變體之一——專為 視覺-語言基礎模型 而構建。這意味著它能攝取長序列的文本以及視覺內容（圖像、影片幀、文件掃描），並在兩種模態的基礎上生成高水準的回應。
與早期視覺模型不同，此版本專為真實世界、長上下文理解而設計，實現如下能力：
- 兩小時影片的掃描與索引，將視覺輸入與文本描述匹配。
- 多語種與高難度場景的 OCR（弱光、傾斜文字）。
- 複雜的多模態推理與圖表/文檔分析，在業界基準中表現最佳。
主要特性
1) 多模態整合
將文本、圖像與影片融合進同一上下文，實現如圖表解讀、目標識別與空間推理等複雜理解。
2) 擴展上下文支援
原生支援 256K tokens，並可擴展至約 ~1M tokens——在開源模型中屬於最大的上下文視窗之一。
3) 高效的 Mixture-of-Experts (MoE)
在推理時僅啟用總計 30 B 參數中的約 ~3 B，在效能與效率之間取得平衡。
4) 強勁的基準表現
在多模態測試（OCR、視覺問答、影片理解、設計轉代碼）上取得領先成績。
5) 多語與 OCR 支援
內建支援 32+ 種 OCR 語言，並在多語文本上表現穩健，滿足全球化使用場景。
限制
儘管能力強大，該模型仍存在已知挑戰：
- 推理複雜度： 視硬體與執行引擎而定，MoE 模型在某些情境下可能比更小的稠密模型更慢或更耗資源。
- 一致性回報： 一些使用者反映在推理模式下輸出品質不一，且相較稠密模型偶爾出現幻覺。
- 部署需求： 長上下文與多模態功能需要高記憶體與優化的技術棧（如 vLLM、GPU 支援）。
與其他模型的比較
| 模型 | 優勢 | 權衡 |
|---|---|---|
| Qwen3-VL-30B-A3B | 高效的 MoE 多模態推理、超長上下文、開源 | 複雜度較高、表現回報不一 |
| Qwen3-VL-235B-A22B | 單模/多模態性能最高 | 更高算力/成本 |
| 稠密模型（例如，Qwen3-32B） | 推理更簡單、行為一致性更好 | 同質化擴展，效率較低 |
| 封閉模型（GPT-5 / Gemini） | 基準成熟、生態整合 | 權重封閉、成本與隱私顧慮 |
Alibaba 的 開放策略 旨在以透明的效能與社群採用，對標專有模型的水準。
如何存取 Qwen3 VL-30B-A3B API
步驟 1：註冊取得 API 金鑰
登入 cometapi.com。若您尚未成為使用者，請先註冊。登入您的 CometAPI console。取得介面的存取憑證 API key。在個人中心的 API token 處點擊“Add Token”，取得 token 金鑰：sk-xxxxx 並提交。
步驟 2：向 Qwen3 VL-30B-A3B API 發送請求
選擇“Qwen3-VL-30B-A3B”端點發送 API 請求，並設定請求體。請求方法與請求體可在我們的網站 API 文件中取得。我們的網站也提供 Apifox 測試以便使用。將 <YOUR_API_KEY> 替換為您帳戶中的實際 CometAPI 金鑰。base url is Chat
將您的問題或請求插入 content 欄位——模型會對此做出回應。處理 API 回應以取得生成的答案。
步驟 3：擷取並驗證結果
處理 API 回應以取得生成的答案。處理完成後，API 將回傳任務狀態與輸出資料。