كيفية الوصول إلى سلسلة Qwen3-VL لبناء وكيل متعدد الوسائط؟

في مجال الذكاء الاصطناعي متعدد الوسائط سريع التطور، يواجه المطورون تحديات مستمرة: تعاني النماذج اللغوية التقليدية من صعوبة في فهم المعلومات البصرية، والاستدلال المكاني، والتفاعل مع واجهات العالم الحقيقي، أو التعامل مع السياقات الطويلة والمعقدة. تقيد هذه القيود قدرتها على العمل كوكلاء ذكيين حقيقيين قادرين على الإدراك واتخاذ القرارات عبر الوسائط المختلفة.

تقدم هذه المقالة Qwen3-VL، وهو النموذج الأكثر تطوراً للرؤية واللغة (VLM) من علي بابا كلاود، المصمم للتغلب على هذه الحواجز. من خلال دمج فهم محسّن للنصوص، والاستدلال البصري، والإدراك المكاني، والتفاعل متعدد الوسائط، يتيح Qwen3-VL لأنظمة الذكاء الاصطناعي الرؤية، والفهم، والاستدلال، والعمل.

مقارنة بنموذج Qwen-VL أو Qwen2.5-VL، ما هي التحسينات التي يقدمها Qwen3-VL؟

يمثل Qwen3-VL النموذج الأكثر تطوراً للرؤية واللغة (VLM) من علي بابا كلاود. فهو يطور القدرات في فهم النصوص، والإدراك البصري، والاستدلال المكاني، والذكاء التفاعلي، مما يتيح للذكاء الاصطناعي الرؤية، والفهم، والاستدلال، والعمل عبر الوسائط المختلفة—الصور، والفيديوهات، والنصوص، والواجهات.

المشكلة	القيود في النماذج اللغوية التقليدية	كيف يحل Qwen3-VL هذه المشكلة
1. نقص الفهم البصري	النماذج المعتمدة على النصوص فقط لا يمكنها تفسير الصور أو الفيديوهات.	يضيف مشفر Vision Transformer وطبقات دمج لفهم المشاهد البصرية والتفاصيل.
2. لا يوجد استدلال مكاني	تفشل النماذج اللغوية في الاستدلال حول مواقع الكائنات، أو الحجب، أو العلاقات ثلاثية الأبعاد.	يدمج التثبيت المكاني ثنائي وثلاثي الأبعاد ووحدات الاستدلال المكاني للذكاء المادي.
3. لا يوجد تفاعل مع العالم الحقيقي	لا يمكن للنماذج تشغيل البرامج أو واجهات واجهة المستخدم الرسومية.	يقدم وكيلاً بصرياً يمكنه التعرف على الأزرار، وفهم الوظائف، وتنفيذ عمليات الأدوات.
4. حد سياق قصير	لا يمكن للنماذج القياسية معالجة المستندات الطويلة أو الفيديوهات.	يدعم سياق يصل إلى 256K–1M رمزاً، مما يتيح الاستدعاء الكامل للنصوص الطويلة والفيديوهات التي تستمر لساعات.
5. ضعف الاستدلال متعدد الوسائط	تكافح النماذج لربط البيانات النصية والرياضية والبصرية.	يعزز الاستدلال المنطقي والسببي عبر الوسائط المختلفة (العلوم والتكنولوجيا والهندسة والرياضيات، الرياضيات، الأسئلة والأجوبة).
6. تغطية بصرية ضيقة	التعرف يقتصر على الكائنات الشائعة.	يوسع التعرف ليشمل الأشخاص، والمنتجات، والمعالم، والنباتات، والحيوانات، والأنيمي، إلخ.
7. أداء OCR هش	يفشل في حالات الضبابية، أو الميلان، أو الحالات متعددة اللغات.	يمتد دعم OCR إلى 32 لغة؛ وهو متين ضد الضوضاء، والخطوط النادرة، والتخطيطات المعقدة.
8. فقدان جودة النص في الدمج متعدد الوسائط	إضافة الرؤية غالباً ما تضعف قدرة النص.	يحقق دمجاً بدون فقدان—فهم النص يساوي فهم النماذج اللغوية البحتة.

يمكنك استخدام Novita AI مباشرة على منصة Hugging Face من خلال واجهة الموقع لبدء تجربة مجانية وسريعة!

جرب النماذج الآن!

دليل كامل لنماذج Qwen3-VL: 24 وزن مفتوح المصدر

يتوفر Qwen3-VL بنوعين من البنى الأساسية — Dense و MoE (خليط الخبراء) — مما يتيح نشراً مرناً من الأجهزة الطرفية إلى بيئات السحابة.

• أنواع النماذج:
  • إصدار Instruct: مُحسّن لاتباع التعليمات، والرد على الأسئلة، والتلخيص، وتوليد المحتوى.
  • إصدار Thinking: مُعزز للاستدلال متعدد الخطوات والمهام التحليلية المعقدة أو مهام اتخاذ القرار.
• المكونات الأساسية:
  • عمود النص الفقري: نموذج اللغة Qwen3 Transformer.
  • مشفر الرؤية: ViT (Vision Transformer) محسّن متكامل مع طبقة دمج عبر الوسائط لفهم موحد للنصوص والرؤية.

تاريخ الإصدار	النموذج	الحجم / النوع	الوضع (الوضعات)
2025-09-23	Qwen3-VL-235B-A22B-Instruct / Thinking	235B معامل (22B نشط)	MOE
2025-10-04	Qwen3-VL-30B-A3B-Instruct / Thinking	30B (3B نشط)	MOE
2025-10-15	Qwen3-VL-4B(Instruct/Thinking) Qwen3-VL-8B (Instruct/Thinking)	4B & 8B	Dense
2025-10-21	Qwen3-VL-2B (Instruct/Thinking) Qwen3-VL-32B (Instruct/Thinking)	2B & 32B	Dense

كيف يؤدي Qwen3-VL في المهام البصرية؟

بعد المهمة	معيار تمثيلي	أداء Qwen3-VL
التعرف على النصوص / OCR	OCRBench 850–920	رائد بين جميع النماذج؛ متين ضد الضبابية والنصوص متعددة اللغات.
العلوم والتكنولوجيا والهندسة والرياضيات / الاستدلال الرياضي	AIME, MathVerse	تحسن كبير من 8B فما فوق؛ يبلغ متوسط 235B أكثر من 80.
الإجابة على الأسئلة البصرية (VQA)	MMBench, RealWorldQA	تتفوق نماذج 32B و MoE على GPT-5 Mini.
الاستدلال المكاني وثلاثي الأبعاد	EmbSpatialBench > 80	إدراك مكاني ثنائي وثلاثي الأبعاد قوي؛ يدعم فهم الواقع المعزز والواقع الافتراضي.
فهم الفيديوهات	VideoMME, LVBench ≈ 80	يتعامل مع سياق يصل إلى 256K–1M رمزاً لتحليل فيديوهات تستمر لساعات.
قدرات الوكيل	ScreenSpot ≈ 95	يُظهر مهارات تشغيل واجهة المستخدم الرسومية واستدعاء الأدوات.
البرمجة / البرمجة البصرية	Design2Code ≈ 90+	يحول الصور إلى أكواد HTML/CSS/JS قابلة للتشغيل.
الفهم متعدد اللغات	MMLU-ProX ≈ 80	يساوي النماذج اللغوية البحتة؛ يحقق دمجاً سلساً بين النصوص والرؤية.

يؤسس Qwen3-VL نظام ذكاء متعدد الوسائط طيفي كامل — حيث يتفوق في OCR، والاستدلال، والفيديو، والفهم المكاني، والتفاعل المستقل.
من 2B إلى 235B، يتوسع الأداء بشكل خطي، بينما تقدم نماذج 8B و 30B-A3B أفضل كفاءة من حيث التكلفة.
في النهاية، يحول Qwen3-VL النماذج اللغوية الكبيرة من نماذج لغوية إلى أنظمة موحدة للرؤية واللغة والعمل قادرة على الإدراك، والاستدلال، والتنفيذ عبر الوسائط المختلفة.

ما هي الأجهزة المطلوبة لتشغيل Qwen3-VL محلياً؟

نوع النموذج	متطلبات الأجهزة	ملاحظات / توصيات
الأنواع الأصغر (4B / 8B)	يعمل محلياً على وحدة معالجة رسومية واحدة (يوصى بذاكرة وصول عشوائي للفيديو تبلغ 24–40 جيجابايت). يوصى بشدة بالكمية الثقيلة (INT4 / FP16) لوحدات المعالجة الرسومية للمستهلك مثل RTX 4090 / 3090 / A6000.	الأفضل للتطوير المحلي، والبحث، والنشر على الأجهزة الطرفية.
النماذج المتوسطة (32B)	تتطلب ذاكرة وصول عشوائي للفيديو تبلغ 80 جيجابايت على الأقل أو إعداد ثنائي لوحدات المعالجة الرسومية. يمكن للكمية تخفيض احتياجات الذاكرة إلى 40 جيجابايت لكل وحدة معالجة رسومية.	مناسبة لخوادم الموقع أو الاستدلال السحابي.
نموذج MoE الرائد (Qwen3-VL-30B-A3B / 235B-A22B)	يحتاج إلى 8 وحدات معالجة رسومية على الأقل، كل منها بذاكرة وصول عشوائي للفيديو تبلغ 80 جيجابايت على الأقل (مثل A100، H100، H200).	قد تفشل الإعدادات الافتراضية على وحدات المعالجة الرسومية الأصغر؛ اتبع إرشادات ضبط الدقة والذاكرة أدناه.

تتميز Novita بتوفيرها، حيث تقدم وحدات معالجة رسومية مكافئة بسعر يبلغ تقريباً نصف سعر RunPod والمنصات المماثلة…

هل يمكنك التحقق مما إذا كان هذا هو أقل سعر؟

للمطورين، ما هي الرؤى العملية لبناء وكلاء متعددين الوسائط باستخدام Qwen3-VL؟

1. اختر النوع المناسب

• استخدم النوع Instruct عندما تتضمن المهمة سير العمل، أو أتمتة واجهة المستخدم، أو توليد المحتوى.
• استخدم النوع Thinking عندما تحتاج إلى استدلال عميق، أو منطق متعدد الخطوات، أو معالجة العلوم والتكنولوجيا والهندسة والرياضيات/الرياضيات، أو فهم مكاني/فيديو.
• طابق حجم النموذج مع المهمة والأجهزة: الأنواع الأصغر للوكلاء المحليين سريعي الاستجابة، والأنواع الأكبر للاستدلال عالي الدقة أو المهام ذات السياق الطويل.

2. هيكل مدخلاتك متعددة الوسائط وسير العمل

• ادمج وسائط مختلفة في استدعاء واحد: على سبيل المثال، صورة ("type":"image") + تعليمات نصية. يظهر المستودع هذا النمط.
• للمهام الفيديوية أو ذات السياق الطويل، قم بتوفير صور/إطارات + إشارات نصية مع محاذاة الطوابع الزمنية للاستفادة من ذاكرة النموذج طويلة الأمد.
• عند بناء وكلاء يعملون على واجهات المستخدم الرسومية أو الأدوات: قم أولاً بالتقاط لقطة شاشة أو حالة واجهة المستخدم، ثم اطلب من النموذج التفسير واتخاذ قرار بالإجراء. يتضمن كود المثال على GitHub عروضاً توضيحية لـ “وكيل الهاتف المحمول” و “وكيل استخدام الكمبيوتر”.

3. التحسين من أجل الكفاءة والنشر

• تفعيل ميزات التسريع (مثل Flash Attention v2) واستخدام واجهات خلفية محسّنة لأحمال متعددة الوسائط الثقيلة.
• للنشر على أجهزة محدودة الإمكانيات: قم بكمية النموذج أو تقييد الوضع (مثل إدخال صور فقط، إطارات محدودة) لتقليل الذاكرة والحساب. تُظهر أدلة المجتمع هذا للنماذج الكبيرة.
• استخدم المعالجة الدفعية، وأخذ العينات الزمنية للفيديوهات، وأطر الاستدلال الموفرة للذاكرة (مثل وصفات vLLM) لدعم المهام ذات السياق الطويل ومتعددة الإطارات.

4. تصميم منطق وكيل قوي وآليات احتياطية

• عند أتمتة مهام واجهة المستخدم: قم بتضمين خطوات تحقق (هل نجحت المهمة؟ إذا لم تنجح، اصف الحالة) للتعامل مع التخطيطات الديناميكية أو الأعطال.

• لمهام الرؤية + الاستدلال: صمم مطالبات تحدد “ما يجب النظر إليه”، “ما يجب فعله”، و “كيفية الإبلاغ عن النتيجة”. مثال: لقطة شاشة + “ابحث عن زر ‘إرسال’، انقر عليه، ثم لخص رسالة التأكيد.”

• لمهام الفيديو الطويل أو المستندات الكبيرة: قم ببناء منطق استرجاع أو فهرسة (مثل استخراج الإطارات الرئيسية أو تقسيم السياق الفرعي) للحفاظ على زمن الاستجابة مقبولاً وتجنب انفجار الذاكرة. تشير مقالة المجتمع إلى استخدام استخراج الإطارات الرئيسية للتعامل مع المدخلات التي تستمر لساعات.

• هل يقتصر Qwen3-VL على وسائط الصورة + النص، أم سيدعم الفيديو والصوت ومدخلات متعددة الوسائط أوسع في المستقبل؟

كيفية الوصول إلى سلسلة Qwen3-VL؟

تقدم Novita AI واجهات برمجة تطبيقات Qwen3-VL 235B Thinking بنافذة سياق تبلغ 131K رمزاً بسعر 0.98 دولار لكل مدخل و 3.95 دولار لكل مخرج. كما تقدم أيضاً واجهات برمجة تطبيقات Qwen3-VL 235BInstruct بنافذة سياق تبلغ 131K رمزاً بسعر 0.30 دولار لكل مدخل و 1.50 دولار لكل مخرج، مع دعم المخرجات المنظمة واستدعاء الوظائف.

1. واجهة الويب (الأسهل للمبتدئين)

جرب Qwen 3 VL 235B A22B الآن!

2. الوصول عبر واجهة برمجة التطبيقات (للمطورين)

الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج

سجل الدخول إلى حسابك وانقر على زر مكتبة النماذج.

الخطوة 2: اختر النموذج الخاص بك

تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.

الخطوة 3: ابدأ تجربتك المجانية

ابدأ تجربتك المجانية لاستكشاف قدرات النموذج المحدد.

الخطوة 4: احصل على مفتاح واجهة برمجة التطبيقات الخاص بك

للمصادقة مع واجهة برمجة التطبيقات، سنزودك بمفتاح واجهة برمجة تطبيقات جديد. بالدخول إلى صفحة “الإعدادات”، يمكنك نسخ مفتاح واجهة برمجة التطبيقات كما هو موضح في الصورة.

الخطوة 5: تثبيت واجهة برمجة التطبيقات

قم بتثبيت واجهة برمجة التطبيقات باستخدام مدير الحزم الخاص بلغة البرمجة الخاصة بك.

بعد التثبيت، قم باستيراد المكتبات الضرورية إلى بيئة التطوير الخاصة بك. قم بتهيئة واجهة برمجة التطبيقات باستخدام مفتاح واجهة برمجة التطبيقات الخاص بك لبدء التفاعل مع Novita AI LLM. هذا مثال على استخدام واجهة برمجة تطبيقات إكمال الدردشة لمستخدمي بايثون.

from openai import OpenAI
  
client = OpenAI(
    base_url="https://api.novita.ai/openai",
    api_key="session_UxQ9B4FllYcK6ZwMw6OFh5Q15fFCM4gMHoTbNh4vB3ZF_Dc5yN4RzVXxOHjarOF-AhMO61lRJN8plthUCfFvZA==",
)

model = "qwen/qwen3-vl-235b-a22b-thinking"
stream = True # or False
max_tokens = 16384
system_content = "Be a helpful assistant"
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }

chat_completion_res = client.chat.completions.create(
    model=model,
    messages=[
        {
            "role": "system",
            "content": system_content,
        },
        {
            "role": "user",
            "content": "Hi there!",
        }
    ],
    stream=stream,
    max_tokens=max_tokens,
    temperature=temperature,
    top_p=top_p,
    presence_penalty=presence_penalty,
    frequency_penalty=frequency_penalty,
    response_format=response_format,
    extra_body={
      "top_k": top_k,
      "repetition_penalty": repetition_penalty,
      "min_p": min_p
    }
  )

if stream:
    for chunk in chat_completion_res:
        print(chunk.choices[0].delta.content or "", end="")
else:
    print(chat_completion_res.choices[0].message.content)
  
  

3. النشر المحلي (للمستخدمين المتقدمين)

المتطلبات:

• Qwen3-VL-235B-A22B: 8 وحدات معالجة رسومية NVIDIA H200.

خطوات التثبيت:

1. قم بتنزيل أوزان النموذج من HuggingFace أو ModelScope
2. اختر إطار عمل الاستدلال: مدعوم من vLLM أو SGLang
3. اتبع دليل النشر في مستودع GitHub الرسمي

4. التكامل

استخدام واجهة سطر الأوامر مثل Trae و Claude Code و Qwen Code

إذا كنت تريد استخدام النماذج الرائدة لـ Novita AI (مثل Qwen3-Coder و Kimi K2 و DeepSeek R1) للمساعدة في البرمجة بالذكاء الاصطناعي في بيئتك المحلية أو بيئة التطوير المتكاملة، فإن العملية بسيطة: احصل على مفتاح واجهة برمجة التطبيقات الخاص بك، قم بتثبيت الأداة، قم بتكوين متغيرات البيئة، وابدأ البرمجة.

للحصول على أوامر الإعداد التفصيلية والأمثلة، راجع الدروس الرسمية:

• Trae : دليل خطوة بخطوة للوصول إلى نماذج الذكاء الاصطناعي في بيئة التطوير المتكاملة الخاصة بك
• Claude Code:كيفية استخدام Kimi-K2 في Claude Code على ويندوز وماك ولينكس
• Qwen Code:كيفية استخدام واجهة برمجة تطبيقات متوافقة مع OpenAI في Qwen Code (إعداد في 60 ثانية!)

سير عمل متعدد الوكلاء باستخدام حزمة تطوير البرامج لـ OpenAI Agents

قم ببناء أنظمة متعددة الوكلاء متقدمة من خلال دمج Novita AI مع حزمة تطوير البرامج لـ OpenAI Agents:

• التوصيل والتشغيل: استخدم النماذج اللغوية الكبيرة لـ Novita AI في أي سير عمل لوكلاء OpenAI.
• يدعم التسليم، والتوجيه، واستخدام الأدوات: صمم وكلاء يمكنهم التفويض، أو الفرز، أو تشغيل الوظائف، وكلها مدعومة بنماذج Novita AI.
• التكامل مع بايثون: ببساطة اضبط نقطة نهاية حزمة تطوير البرامج على https://api.novita.ai/v3/openai واستخدم مفتاح واجهة برمجة التطبيقات الخاص بك.

الاتصال بواجهة برمجة التطبيقات على منصات طرف ثالث

واجهة برمجة تطبيقات متوافقة مع OpenAI: استمتع بالهجرة والتكامل بدون متاعب مع أدوات مثل Cline و Cursor، المصممة لمعيار واجهة برمجة تطبيقات OpenAI.

Hugging Face: استخدم النماذج في Spaces، أو خطوط الأنابيب، أو مع مكتبة Transformers عبر نقاط نهاية Novita AI.

أطر الوكيل والتنسيق: اتصل بسهولة بـ Novita AI مع المنصات الشريكة مثل Continue، و AnythingLLM,LangChain، و Dify و Langflow عبر موصلات رسمية وأدلة تكامل خطوة بخطوة.

مع بنى Dense و MoE المرنة، والتوسع من 2B إلى 235B معامل، يدعم Qwen3-VL كل من التجربة المحلية والنشر على مستوى المؤسسات. توفر أنواع 8B و 30B-A3B توازناً بين التكلفة والأداء، بينما يصل نموذج 235B-A22B إلى الاستدلال متعدد الوسائط الرائد على مستوى العالم. في النهاية، يمثل Qwen3-VL خطوة حاسمة نحو الذكاء المادي—مما يتيح للمطورين بناء أنظمة لا تحلل المعلومات فقط، بل تعمل بذكاء داخل البيئات الرقمية والفيزيائية.

الأسئلة الشائعة

مقارنة بنموذج Qwen-VL أو Qwen2.5-VL، ما هي التحسينات التي يقدمها Qwen3-VL

يقدم Qwen3-VL فهماً بصرياً محسّناً، والاستدلال المكاني ثنائي وثلاثي الأبعاد، وفهم سياق طويل يصل إلى 1 مليون رمز، و “وكيلاً بصرياً” يمكنه التفاعل مع واجهات البرامج. كما يوسع تغطية OCR إلى 32 لغة ويحقق دمجاً بدون فقدان بين النصوص والرؤية.

ما هي الأجهزة المطلوبة لتشغيل Qwen3-VL محلياً؟

يمكن للنماذج الأصغر مثل Qwen3-VL-4B أو Qwen3-VL-8B العمل على وحدة معالجة رسومية واحدة (ذاكرة وصول عشوائي للفيديو 24–40 جيجابايت) مع الكمية. تتطلب نماذج Qwen3-VL-30B-A3B و Qwen3-VL-235B-A22B ثماني وحدات معالجة رسومية على الأقل، كل منها بذاكرة وصول عشوائي للفيديو تبلغ 80 جيجابايت (مثل H100 / A100 / H200). يوصى بوضع FP8 لـ H100 لتعظيم الكفاءة.

كيف يؤدي Qwen3-VL في المهام البصرية؟

عبر معايير مثل MMBench، و OCRBench، و MathVerse، يتفوق Qwen3-VL على الأجيال السابقة، حيث يحقق درجات OCRBench تتراوح بين 850–920 ويتفوق على GPT-5 Mini في الإجابة على الأسئلة البصرية. يتفوق في الاستدلال المكاني، والفيديو، والعلوم والتكنولوجيا والهندسة والرياضيات.

Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام واجهة برمجة التطبيقات البسيطة الخاصة بنا، مع توفير سحابة وحدات معالجة رسومية ميسورة التكلفة وموثوقة للبناء والتوسع.

قراءة موصى بها

• كيفية الوصول إلى Qwen3-Next-80B-A3B في Trae مع دعم السياق الممتد
• مقارنة بين مزودي واجهة برمجة تطبيقات Kimi K2-0905: لماذا تبرز NovitaAI
• كيفية الوصول إلى Qwen3-VL-235B-A22B وبناء عروض توضيحية للكود الأكثر ذكاءً