Qwen3-VL长视频理解

Qwen3-VL 开源发布：256K–1M 长上下文与长视频事件精定位

一、摘要 Qwen3-VL 是阿里云 Qwen 团队开源的视觉-语言模型，面向图像、视频与文本的统一理解与推理。其亮点包括：原生 256K（可扩展至 1M）上下文、最长期约 2 小时视频的事件“精定位”、OCR 语种由 19 扩展至 32（含稀有字符与倾斜文本）、在真实场景风险检测上的领先表现；并展...