Qwen: Qwen3 VL 235B A22B Instruct

Qwen3 VL 235B A22B Instruct is een open-weight multimodaal model van Qwen, uitgebracht door de provider op 23 september 2025. Het hoort bij de Qwen3 VL-familie en is de instruction-tuned variant, gericht op algemeen vision-language-werk in plaats van ruwe onderzoeksexperimenten. Omdat de weights open zijn, kun je inspecteren wat je draait en redeneren over deployment-opties buiten een enkele gehoste endpoint.

Het model accepteert tekst en afbeeldingen als invoer en retourneert tekst. Het contextvenster is 262144 tokens, en de maximale uitvoer is 32768 tokens. De provider beschrijft het als het verenigen van sterke tekstgeneratie met visueel begrip over afbeeldingen en video, waarbij het Instruct-model zich richt op algemeen vision-language-gebruik zoals visuele vraagbeantwoording, documentparsing en het begrijpen van grafieken of tabellen. De knowledge cutoff is 31 maart 2025, dus alles na die datum valt buiten wat het model tijdens training heeft geleerd.

Die mogelijkheden wijzen op een redelijk specifieke set taken. Visuele vraagbeantwoording over screenshots, foto's of diagrammen is de voor de hand liggende. Documentparsing past bij de combinatie van lange context en afbeeldingsinvoer, omdat scans van meerdere pagina's en dichte lay-outs kunnen worden aangeboden zonder agressieve chunking. Het begrijpen van grafieken en tabellen past bij analytics-workflows waarbij de bron een gerenderde figuur is in plaats van schone CSV. Lange teksttaken werken ook op zichzelf, dus één model kan gemengde pipelines aan waar sommige requests afbeeldingen bevatten en andere pure tekst.

Je roept het aan via de OpenAI-compatibele API van api14 met het model-id "qwen/qwen3-vl-235b-a22b-instruct". De ondersteunde parameters zijn frequency_penalty, logit_bias, logprobs, max_tokens, min_p, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs en top_p. Tool calling en structured outputs zijn beide beschikbaar, wat betekent dat je het model kunt aansluiten op function-calling-loops of antwoorden kunt beperken tot een schema. Sampling-besturing omvat de gebruikelijke temperature en top_p evenals min_p, top_k en repetition_penalty, en seed plus logprobs en top_logprobs geven je reproduceerbaarheid en inspectie op tokenniveau wanneer je die nodig hebt.

Twee praktische beperkingen zijn het vermelden waard voordat je je vastlegt. Het uitvoerplafond van 32768 tokens ligt ruim onder het invoervenster van 262144 tokens, dus taken die zeer lange gegenereerde antwoorden vereisen, zoals het in één keer transcriberen van een groot document, moeten over meerdere calls worden opgesplitst. De knowledge cutoff van 31 maart 2025 betekent ook dat vragen over recente gebeurtenissen retrieval of een ander model met recentere trainingsdata nodig kunnen hebben. Als je workload alleen tekst is en geen baat heeft bij afbeeldingsinvoer, kan een tekstgericht model eenvoudiger passen.