Modelos de compreensão visual

Escolha um modelo para análise de imagem, compreensão de vídeo, OCR e muito mais.

Compreensão de imagem e vídeo

Comece com qwen3.8-max — QwenO modelo principal mais capaz da empresa, contexto de 1M, suporte de vídeo de 2 horas e conjunto completo de recursos, incluindo chamada de função e ferramentas integradas. Quando seu caso de uso funcionar bem, tente qwen3.7-plus ou qwen3.8-flash para reduzir custos – qualidade quase emblemática com o mesmo contexto e recursos.

Resolução da imagem

A maioria dos modelos suporta até 16 milhões de pixels por imagem. Resolução mais alta custa mais tokens: cada imagem usa h × w / (32 × 32) + 2 fichas.

Suporte de vídeo

• Até 2 horas / 2 GB → qwen3.8-max, qwen3.8-max-0902, qwen3.8-flash, qwen3.8-omni-flash, qwen3.7-plus, qwen3.7-flash, qwen3.6-plus, qwen3.6-flash, qwen3.5-plus, qwen3.5-flash
• Até 1 hora / 2 GB → qwen3.5-omni-plus, qwen3.5-omni-flash (também aceita áudio — consulte Modelos de fala)

Para entender o som em um vídeo ou fornecer entrada de áudio, use qwen3.8-omni-flash, que produz saída de texto. Veja Qwen3.8-Omni-Flash para exemplos de invocação.

Chamada de função + ferramentas integradas

Deixe o modelo realizar ações com base no que vê nas imagens ou no vídeo.

• Chamada de função: Qwen3.8, Qwen3.7, Qwen3.6, Qwen3.5, Qwen3.5-Omni (incluindo modelos em tempo real) e Qwen3-VL modelos
• Ferramentas integradas (pesquisa na web, execução de código — sem configuração): qwen3.8-max, qwen3.8-max-0902, qwen3.8-flash, qwen3.7-plus, qwen3.7-flash, qwen3.6-plus, qwen3.6-flash, qwen3.5-plus, qwen3.5-flash apenas. qwen3.8-omni-flash apoia o web_search ferramenta integrada.

Saída estruturada

Obtenha JSON válido a partir de entrada visual – por exemplo, extraia informações do produto de uma foto.

Disponível em Qwen3.8, Qwen3.7, Qwen3.6e Qwen3.5 no modo não-pensante. Qwen3.8-Omni-Flash suporta o modo JSON Object nos modos pensante e não pensante.

Modelos recomendados

Todos os modelos

Qwen3.8

Qwen3.7

Qwen3.6

Qwen3.5

Qwen3.5-Omni

Ao contrário de outros modelos nesta página, Qwen3.5-Omni aceita entrada de áudio e pode produzir texto e fala.

**Padrão**

**Tempo real** — streaming de entrada de áudio com detecção de atividade de voz (VAD) integrada.

Legacy

Versões de modelos mais antigos mantidas para compatibilidade com versões anteriores. Recomendamos Qwen3.5 ou Qwen3.5-Omni para novos projetos.

Saiba mais

Vision understanding guide

Aprenda como enviar imagens e vídeos para modelos multimodais.

Try free

Experimente modelos no navegador — basta fazer login, sem necessidade de configuração de chave de API.