Qwen: Qwen3 VL 8B Instruct

Qwen: Qwen3 VL 8B Instruct adalah model vision-language multimodal dari seri Qwen3-VL, dibuat oleh Qwen. Model ini dirilis oleh provider pada 2025-10-14. Model ini termasuk dalam kategori text di api14, dan desainnya berpusat pada pemahaman serta penalaran berfidelitas tinggi di seluruh teks, gambar, dan video, dengan fusi multimodal yang ditingkatkan menggunakan Interleaved-MRoPE untuk tugas berhorizon panjang.

Model ini menerima gambar dan teks sebagai input dan mengembalikan teks. Jendela konteksnya adalah 262,144 token, dan output maksimumnya adalah 235,929 token. Kombinasi konteks besar dan anggaran output besar berarti Anda dapat memberikan dokumen panjang atau banyak gambar bersama instruksi Anda dan masih menyisakan ruang untuk respons yang dihasilkan secara substansial. Karena modalitas outputnya hanya teks, model ini cocok untuk tugas di mana jawabannya adalah bahasa tertulis, bukan media yang dihasilkan.

Penggunaan praktis mengikuti langsung dari kemampuan tersebut. Anda dapat mengirim gambar bersama pertanyaan dan mendapatkan jawaban teks, yang cocok untuk pemahaman dokumen dan screenshot, mengekstrak informasi dari materi yang dipindai atau difoto, serta mendeskripsikan atau menalar konten visual. Karena video adalah bagian dari cakupan model yang dinyatakan, model ini juga dapat diterapkan pada tugas yang melibatkan penalaran atas input video. Konteks panjang mendukung alur kerja multi-gambar atau dokumen panjang di mana model perlu mempertimbangkan banyak materi sekaligus sebelum menghasilkan jawabannya.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "qwen/qwen3-vl-8b-instruct". Parameter permintaan yang didukung adalah frequency_penalty, logit_bias, logprobs, max_tokens, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs, dan top_p. Tool calling dan structured outputs keduanya tersedia, sehingga Anda dapat menghubungkan model ini ke alur function-calling atau membatasi outputnya ke suatu skema. Perilaku sampling dapat disetel dengan temperature, top_p, dan top_k, sementara seed, stop, dan parameter penalti memberi Anda kontrol lebih lanjut atas determinisme dan pengulangan.

Jika tugas Anda hanya teks dan tidak melibatkan gambar atau video, kemampuan vision tidak melakukan pekerjaan apa pun untuk Anda, dan model khusus teks mungkin lebih cocok. Hal yang sama berlaku jika Anda memerlukan modalitas output selain teks, karena model ini hanya mengembalikan teks.