Qwen3-VL-30B-A3B na Novita AI: Modelo avançado de visão e linguagem com contexto de 256K

O Qwen3-VL-30B-A3B processa imagens, documentos e vídeos juntamente com texto usando 30 bilhões de parâmetros. O modelo lida com tudo, desde OCR em 32 idiomas até análise de vídeos de várias horas com contexto de 256K.

A Novita AI hospeda duas variantes. A Instruct entrega respostas rápidas e diretas. A Thinking exibe seu processo de raciocínio para tarefas complexas. Acesse ambas pelo playground ou pela API.

Teste a demonstração do Qwen3-VL-30B-A3B

O que é o Qwen3-VL-30B-A3B?

O Qwen3-VL-30B-A3B é desenvolvido pela equipe Qwen da Alibaba Cloud. O modelo utiliza a arquitetura MoE (Mixture-of-Experts) com 30,5 bilhões de parâmetros totais e 3,3 bilhões ativados. Esse design entrega desempenho forte enquanto mantém os custos controlados.

O modelo fica entre as variantes menores do Qwen3-VL e o modelo principal Qwen3-VL-235B-A22B, equilibrando capacidade e eficiência. Enquanto o modelo de 235B se destaca nas tarefas de raciocínio mais exigentes, a variante de 30B oferece capacidades semelhantes a custo menor e velocidades de inferência mais rápidas.

Principais atualizações incluem:

• Contexto nativo de 256K, expansível para 1M de tokens
• Suporte a OCR em 32 idiomas (aumento de 19 para 32)
• Baseamento espacial 2D e 3D
• Capacidades de interação com GUI
• Geração de código a partir de entradas visuais
• Compreensão de vídeo com indexação por segundo

Duas variantes atendem a necessidades diferentes. A Instruct é otimizada para velocidade. A Thinking lida com raciocínios complexos.

Principais recursos e melhorias

Capacidades de agente visual

O modelo reconhece elementos de interface e completa tarefas em GUIs de PC e dispositivos móveis. Ele entende a função dos botões e como navegar por aplicativos.

Codificação visual

Mostre uma captura de tela para o Qwen3-VL e obtenha código funcional. O modelo gera diagramas Draw.io, HTML, CSS e JavaScript a partir de imagens e vídeos.

Percepção espacial

O modelo julga posições de objetos, pontos de vista e oclusões. Ele fornece baseamento 2D e habilita o baseamento 3D para raciocínio espacial e aplicações de IA incorporada.

Contexto estendido para vídeos longos

O contexto nativo de 256K se expande para 1M de tokens. O modelo lida com livros e vídeos de várias horas com recall completo. A indexação por segundo permite consultar momentos específicos.

OCR avançado

O OCR agora suporta 32 idiomas. O modelo funciona em baixa luminosidade, lida com desfoque e inclinação, lê caracteres raros e antigos, e analisa documentos longos preservando a estrutura.

Raciocínio em STEM e matemática

O modelo se destaca em análise causal e respostas baseadas em evidências para problemas de ciência, tecnologia, engenharia e matemática.

Reconhecimento aprimorado

O pré-treinamento mais amplo permite que o modelo reconheça celebridades, personagens de anime, produtos, pontos turísticos, plantas e animais.

Arquitetura e especificações do modelo

Arquitetura: Qwen3VLMoeForConditionalGeneration com codificador de visão baseado em ViT integrado

Especificações principais:

• Parâmetros totais: 30,5B
• Parâmetros ativados: 3,3B
• Comprimento de contexto: 256K tokens (nativo), expansível para 1M
• Formatos suportados: JPEG, PNG, WebP, BMP, vídeo

Três inovações arquitetônicas:

Interleaved-MRoPE aloca frequência completa ao longo do tempo, largura e altura por meio de embeddings posicionais. Isso melhora o raciocínio em vídeos de longo horizonte.

DeepStack funde recursos de ViT de múltiplos níveis para capturar detalhes finos e aprimorar o alinhamento entre imagem e texto.

Alinhamento Texto-Timestamp fornece localização precisa de eventos baseada em carimbo de data/hora para um modelamento temporal de vídeo mais forte.

Qwen3-VL-30B-A3B-Instruct vs Qwen3-VL-30B-A3B-Thinking

Instruct: rápido e direto

A variante Instruct responde imediatamente sem exibir seu processo. Ela é otimizada para velocidade e throughput.

Casos de uso:

• Classificação de imagens em tempo real
• OCR de documentos e extração de texto
• Moderação de conteúdo em larga escala
• Chamadas de API de alto volume
• Perguntas e respostas visuais simples

Thinking: raciocínio detalhado

A variante Thinking exibe uma análise passo a passo antes de responder. Ela divide problemas complexos em etapas lógicas, de forma semelhante ao funcionamento da variante Thinking do modelo maior Qwen3-VL-235B-A22B.

Casos de uso:

• Problemas de matemática a partir de imagens
• Raciocínio visual de múltiplas etapas
• Análise de documentos científicos
• Aplicações educacionais
• Tarefas que exigem explicabilidade

Escolha a Instruct para a maioria das cargas de trabalho de produção. Mude para a Thinking quando precisar de raciocínio transparente ou lidar com tarefas analíticas complexas.

Benchmark de desempenho

Resultados da variante Thinking

Desempenho forte em:

• Raciocínio matemático: MathVista, MathVerse, GeoQA
• Perguntas e respostas visuais: VQAv2, GQA, TextVQA
• Documentos: DocVQA, InfoVQA, ChartQA
• Visão geral: MMMU, MMBench, Seed-Bench
• Vídeo: Raciocínio temporal e perguntas e respostas sobre vídeos

O raciocínio de cadeia de pensamento lida com problemas de múltiplas etapas, dividindo-os em estágios lógicos.

Resultados da variante Instruct

Desempenho equilibrado:

• Visão e linguagem: Benchmark de compreensão multimodal
• Tarefas de texto: Compreensão de leitura e linguagem
• OCR: Precisão na extração de texto
• Velocidade: Latência menor sem sacrificar a qualidade
• Idiomas: Suporte a múltiplos idiomas

A variante Instruct oferece inferência mais rápida mantendo a precisão. Isso a torna ideal quando a velocidade é importante.

Qual escolher

• Thinking: Raciocínio detalhado, problemas de matemática, IA explicável
• Instruct: Respostas rápidas, alto throughput, perguntas e respostas diretas

A arquitetura MoE permite que ambas as variantes competam com modelos maiores a custo menor.

Capacidades principais

Compreensão visual

O modelo gera descrições que vão de legendas curtas a análises detalhadas. Ele identifica objetos, pessoas, cenários, relações espaciais e conceitos abstratos.

Processamento de documentos

O OCR em 32 idiomas funciona em condições desafiadoras: baixa luminosidade, desfoque, inclinação. O modelo lê caracteres raros, escritas antigas e jargões técnicos preservando a estrutura do documento.

Formatos suportados:

• Documentos digitalizados e PDFs
• Recibos e faturas
• Formulários e tabelas
• Gráficos e diagramas
• Layouts de múltiplas colunas

Perguntas e respostas visuais

Faça perguntas específicas e obtenha respostas contextuais sobre:

• Contagem e atributos de objetos
• Relações espaciais
• Ações e atividades
• Composição de cenários
• Conceitos abstratos

Matemática e ciências

A variante Thinking resolve problemas a partir de imagens. Ela lê equações, interpreta diagramas e exibe soluções para geometria, álgebra e problemas de palavras.

Análise de vídeo

O contexto de 256K (expansível para 1M de tokens) lida com vídeos de várias horas. A indexação por segundo rastreia eventos ao longo do tempo.

Interação com GUI

O modelo reconhece elementos de interface, entende suas funções e completa tarefas. Isso possibilita a automação de fluxos de trabalho visuais.

Código a partir de elementos visuais

Gere diagramas Draw.io, HTML, CSS e JavaScript a partir de imagens e vídeos. Mostre um mockup de interface e obtenha código funcional.

Raciocínio espacial

Baseamento 2D e 3D para tarefas espaciais. O modelo julga posições, pontos de vista e oclusões.

Aplicações no mundo real

E-commerce

Gere descrições de produtos a partir de fotos. Extraia atributos de cor, tamanho e material. Marque o inventário automaticamente. Associe consultas de clientes a imagens de produtos.

Saúde

Processe formulários e relatórios médicos. Extraia dados estruturados de documentos clínicos. Leia imagens de receitas. Interprete anotações manuscritas e formulários estruturados.

Educação

Ajude alunos a resolver lições de casa a partir de fotos de livros didáticos. Explique diagramas, gráficos e ilustrações científicas. Corrija tarefas visuais. A variante Thinking fornece soluções passo a passo.

Finanças

Processe faturas, recibos e demonstrações financeiras. Extraia itens de linha, totais, datas e informações de fornecedores. O suporte a 32 idiomas lida com tipos de documentos diversos.

Atendimento ao cliente

Responda perguntas sobre manuais de produtos analisando diagramas. Solucione problemas a partir de fotos de clientes. As capacidades de agente visual guiam os usuários por interfaces.

Moderação de conteúdo

Filtre imagens enviadas por usuários em busca de violações de políticas. Entenda o contexto além da detecção de objetos. Lide com casos extremos que exigem raciocínio visual.

Pesquisa

Analise diagramas científicos. Interprete gráficos. Extraia dados de artigos de pesquisa. O modelo se destaca em STEM e matemática com análise causal.

Começando a usar o Qwen3-VL-30B-A3B na plataforma Novita AI

A Novita AI oferece múltiplos caminhos para acessar o Qwen3-VL-30B-A3B, adaptados a diferentes níveis de conhecimento técnico e casos de uso. Seja você explorando capacidades de IA ou construindo aplicações de produção, a plataforma fornece as ferramentas necessárias.

Use o playground (disponível agora, sem necessidade de codificação)

• Acesso instantâneo: Cadastre-se e comece a experimentar o Qwen3-VL-30B-A3B em segundos.
• Interface interativa: Teste prompts com suas imagens e visualize as saídas em tempo real.
• Comparação de modelos: Compare as variantes Instruct e Thinking do Qwen3-VL-30B-A3B para seu caso de uso específico.

O playground permite testar vários prompts e ver resultados imediatos sem nenhuma configuração técnica. Perfeito para prototipagem, teste de ideias e compreensão das capacidades do modelo antes da implementação completa.

Integre via API (ativo e pronto para desenvolvedores)

Conecte o Qwen3-VL-30B-A3B a suas aplicações com a API REST unificada da Novita AI.

Opção 1: Integração direta via API

Exemplo em Python:

from openai import OpenAI

client = OpenAI(
    api_key="<Your API Key>",
    base_url="https://api.novita.ai/openai"
)

response = client.chat.completions.create(
    model="qwen/qwen3-vl-30b-a3b-instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello, how are you?"}
    ],
    max_tokens=32768,
    temperature=0.7
)

print(response.choices[0].message.content)

Opção 2: Fluxos de trabalho multiagente com o OpenAI Agents SDK

Construa sistemas multiagente sofisticados usando as capacidades avançadas do Qwen3-VL-30B-A3B:

• Integração plug-and-play: Insira o Qwen3-VL-30B-A3B em qualquer fluxo de trabalho do OpenAI Agents.
• Capacidades avançadas de agente: Suporte a transferências, roteamento e integração de ferramentas com compreensão visual.
• Arquitetura escalável: Projete agentes que combinem as capacidades multimodais do Qwen3-VL-30B-A3B com outros modelos especializados.

Opção 3: Conecte-se com plataformas de terceiros

• Ferramentas de desenvolvimento: Integre com IDEs populares e ambientes de desenvolvimento como Cursor, Trae, Qwen Code e Cline por meio de APIs compatíveis com OpenAI e APIs compatíveis com Anthropic.
• Frameworks de orquestração: Conecte-se com LangChain, Dify, CrewAI, Langflow e outras plataformas de orquestração de IA usando conectores oficiais.
• Integração com Hugging Face: A Novita AI atua como provedor oficial de inferência do Hugging Face, garantindo ampla compatibilidade com o ecossistema.

Experimente o Qwen3-VL-30B-A3B hoje

O Qwen3-VL-30B-A3B oferece OCR em 32 idiomas, compreensão de vídeo com contexto de 256K, raciocínio espacial e interação com GUI. Ambas as variantes, Instruct e Thinking, oferecem desempenho pronto para produção para processamento de documentos, perguntas e respostas visuais e raciocínio multimodal complexo.

Comece a experimentar o Qwen3-VL-30B-A3B no Playground da Novita AI.

A Novita AI é uma plataforma de nuvem de IA que oferece aos desenvolvedores uma forma fácil de implantar modelos de IA usando nossa API simples, além de fornecer uma nuvem de GPU acessível e confiável para construção e escalonamento.