THE RESEARCH ATLAS

Qwen3-VL 技术报告

Qwen 视觉语言家族在不同规模模型中融合文本、图像与视频理解。

Qwen3-VL Technical Report

Qwen Team
2025-11 · Qwen · 技术报告
来源核查: 2026-10-24机构所在地 · Alibaba Qwen 🇨🇳 中国
机构与地域来源

地域依据是署名机构或发布机构所在地,不代表作者国籍或完整合作名单。

arxiv.org ↗

www.alibabagroup.com ↗

为什么值得读

将多模态数据设计与纯语言训练对照阅读。

阅读原始来源 ↗原始 PDF ↗代码 / GitHub ↗

引用

@misc{bai2025qwen3,
  title = {Qwen3-VL Technical Report},
  author = {Shuai Bai and Yuxuan Cai and Ruizhe Chen and Keqin Chen and Xionghui Chen and Zesen Cheng and Lianghao Deng and Wei Ding and Chang Gao and Chunjiang Ge and Wenbin Ge and Zhifang Guo and Qidong Huang and Jie Huang and Fei Huang and Binyuan Hui and Shutong Jiang and Zhaohai Li and Mingsheng Li and Mei Li and Kaixin Li and Zicheng Lin and Junyang Lin and Xuejing Liu and Jiawei Liu and Chenglong Liu and Yang Liu and Dayiheng Liu and Shixuan Liu and Dunjie Lu and Ruilin Luo and Chenxu Lv and Rui Men and Lingchen Meng and Xuancheng Ren and Xingzhang Ren and Sibo Song and Yuchong Sun and Jun Tang and Jianhong Tu and Jianqiang Wan and Peng Wang and Pengfei Wang and Qiuyue Wang and Yuxuan Wang and Tianbao Xie and Yiheng Xu and Haiyang Xu and Jin Xu and Zhibo Yang and Mingkun Yang and Jianxin Yang and An Yang and Bowen Yu and Fei Zhang and Hang Zhang and Xi Zhang and Bo Zheng and Humen Zhong and Jingren Zhou and Fan Zhou and Jing Zhou and Yuanzhi Zhu and Ke Zhu},
  year = {2025},
  eprint = {2511.21631},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  url = {https://arxiv.org/abs/2511.21631}
}

论文与代码版权归原作者;引用及许可请以原始来源为准。

相关研究

2012 · Academic · 研究论文署名机构 · University of Toronto 🇨🇦 加拿大

基于深度卷积神经网络的 ImageNet 分类

ImageNet Classification with Deep Convolutional Neural Networks

深度卷积网络将数据、GPU 计算与表示学习结合,为现代视觉研究提供了重要起点。

2017-06 · Google · 研究论文署名机构 · Google / University of Toronto 🇺🇸 美国 · 🇨🇦 加拿大

注意力即全部

Attention Is All You Need

Transformer 用注意力机制构建序列模型,成为后续语言与多模态模型的重要基础。

2018-10 · Google · 研究论文署名机构 · Google AI Language 🇺🇸 美国

BERT:面向语言理解的深度双向 Transformer 预训练

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

通过掩码语言预训练学习双向表示,再迁移到语言理解任务。