Qwen: Qwen3 VL 30B A3B Thinking

Qwen3 VL 30B A3B Thinking är en multimodal modell från Qwen, modellfamiljen som underhålls av Alibaba. Den tillhör Qwen3-VL-serien, och Thinking-varianten är den som är finjusterad för att lägga extra ansträngning på resonemang i stället för att svara direkt. Namnet återspeglar dess form: en modell i 30B-klassen där A3B syftar på en design med aktiva parametrar, så bara en bråkdel av de totala vikterna används per token. Den släpptes av leverantören den 6 oktober 2025, och dess kunskapsavgränsning är den 31 mars 2025.

Modellen tar text och bilder som indata och returnerar text. Dess kontextfönster är 262 144 tokens, med en maximal utdata på 235 929 tokens, vilket är tillräckligt stort för att rymma långa dokument, skärmbilder, diagram eller indata med flera bilder tillsammans med ett omfattande genererat svar. Thinking-beteendet innebär att modellen kan producera en resonemangsgenomgång före sitt slutliga svar, vilket är användbart när svaret beror på flerstegsdeduktion snarare än ytlig mönstermatchning. Qwen positionerar den som stark på textgenerering kombinerat med visuell förståelse, där Thinking-varianten specifikt förbättrar resonemang inom STEM, matematik och komplexa uppgifter.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsområden. En utvecklare kan skicka en sida från en teknisk artikel, ett diagram eller en skärmbild av ett fel och be om en förklaring eller en åtgärd. Matematik- och STEM-problem som behöver arbetas igenom steg för steg passar naturligt, liksom uppgifter som blandar ett långt textdokument med en bild, till exempel att granska ett avtal mot en skannad signatursida. Eftersom utdata endast är text är modellen inte rätt val när du behöver genererade bilder, ljud eller video; den läser visuella indata men skriver prosa, strukturerad data eller kod.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "qwen/qwen3-vl-30b-a3b-thinking". Förfrågningar följer den vanliga formen för chat completions, med meddelanden som bär text- och bildinnehåll. De parametrar som stöds är frequency_penalty, include_reasoning, max_tokens, reasoning, response_format, structured_outputs, temperature, tool_choice, tools, top_k och top_p. Parametrarna reasoning och include_reasoning är värda att notera om du vill kontrollera eller granska resonemangsgenomgången, och tools plus tool_choice låter dig koppla in modellen i funktionsanrop, medan response_format och structured_outputs finns där när du behöver att utdata följer ett schema.

En praktisk övervägning är att en Thinking-modell byter latens mot djup, så för enkel klassificering, kort extrahering eller chatt med hög volym där snabbhet betyder mer än övervägande kan en icke-tänkande modell passa dig bättre. Detsamma gäller om din uppgift är helt textbaserad och inte drar nytta av bildindata. Kontextfönstret på 262 144 tokens är generöst, men det är fortfarande ett tak, och mycket stora indata plus en lång resonemangsgenomgång kommer att förbruka det snabbt.