选择适合图像分析、视频理解、OCR等场景的模型。
图像与视频理解
推荐从qwen3.6-plus开始，它是千问旗舰模型，支持1M上下文、最长2小时视频、Function Calling和内置工具等完整功能。当您的场景稳定后，可以尝试qwen3.6-flash来降低成本，它提供接近旗舰的效果，并支持相同的上下文长度和功能集。
图像分辨率
大多数模型支持每张图片最高1600万像素。更高的分辨率会消耗更多Token：每张图片的Token数计算公式为 h x w / (32 x 32) + 2。
视频支持
-
最长2小时 / 2GB：
qwen3.6-plus、qwen3.6-flash、qwen3.5-plus、qwen3.5-flash -
最长1小时 / 2GB：
qwen3-vl-plus、qwen3-vl-flash -
最长1小时 / 2GB：
qwen3.5-omni-plus、qwen3.5-omni-flash（同时支持音频输入）
Function Calling与内置工具
让模型根据图像或视频中的内容执行操作。
-
Function Calling：Qwen3.6、Qwen3.5和Qwen3-VL系列模型均支持
-
内置工具（联网搜索、代码执行，无需额外配置）：仅
qwen3.6-plus、qwen3.6-flash、qwen3.5-plus、qwen3.5-flash
结构化输出
从视觉输入中获取有效的JSON输出，例如从照片中提取商品信息。
Qwen3.6、Qwen3.5和Qwen3-VL系列在非思考模式下支持此功能。
OCR与文档提取
qwen-vl-ocr专为文档、表格、试卷和手写内容的文字提取而优化。您也可以使用qwen3.6-plus或qwen3.6-flash进行通用图片文字提取。
推荐模型
|
模型 |
上下文 |
最大像素/图 |
最大视频时长 |
最大视频大小 |
最大图片数 |
最大视频数 |
Function Calling |
内置工具 |
结构化输出 |
|
|
1M |
16M |
2小时 |
2GB |
256 |
64 |
|
|
|
|
|
1M |
16M |
2小时 |
2GB |
256 |
64 |
|
|
|
|
|
64k |
-- |
1小时 |
2GB |
2,048 |
512 |
|
-- |
|
所有模型
Qwen3.6
|
模型ID |
输入 |
输出 |
上下文 |
最大输出 |
最大图片数 |
最大视频数 |
Function Calling |
内置工具 |
结构化输出 |
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
256k |
64k |
256 |
64 |
|
|
|
Qwen3.5
|
模型ID |
输入 |
输出 |
上下文 |
最大输出 |
最大图片数 |
最大视频数 |
Function Calling |
内置工具 |
结构化输出 |
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
1M |
64k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
32k |
8k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
32k |
8k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
32k |
8k |
256 |
64 |
|
|
|
|
|
文本、图像、视频 |
文本 |
32k |
8k |
256 |
64 |
|
|
|
旧版及其他模型
以下模型不再作为首选推荐。新项目建议使用Qwen3.6或Qwen3.5系列。如需查看模型详细参数，请前往模型广场。