Kann ich Qwen3-VL-30B-A3B-Thinking lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-VL-30B-A3B-Thinking gehostet. Es ist ein 30B MoE-Modell, daher benötigen Sie viel VRAM; prüfen Sie die GGUF- und Quantisierungsanleitungen, wenn Sie es auf Consumer-Hardware ausführen möchten.

Was kostet es und wie groß ist der Kontext?

Über die API kostet es $0,29 pro Million Eingabetokens und $1,00 pro Million Ausgabetokens. Das native Kontextfenster beträgt 256K Tokens, laut Qwen auf 1M erweiterbar.

Worin unterscheidet sich diese Variante von der Nicht-Thinking-Version?

Die Thinking-Variante fügt vor der Antwort eine erweiterte interne Reasoning-Stufe hinzu, die die Leistung bei STEM-, Mathematik- und komplexen visuellen Aufgaben verbessert, jedoch längere – und damit teurere – Ausgaben erzeugt.

Qwen3 VL 30B A3B Thinking

3384°

#llm #qwen #vision #logik #agenten #langer kontext

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Qwen | 262.144 Token Kontext | $0,29/M Eingabe, $1,00/M Ausgabe. Qwen3-VL-30B-A3B-Thinking ist ein multimodales Modell, das starke Textgenerierung mit visuellem Verständnis für Bilder und Videos vereint. Die Thinking-Variante verbessert das Reasoning in STEM, Mathematik und komplexen Aufgaben. Es glänzt in der Wahrnehmung realer/synthetischer Kategorien, 2D/3D-Raumverankerung und langformatigem visuellem Verständnis und erzielt wettbewerbsfähige multimodale Benchmark-Ergebnisse. Für agentische Nutzung verarbeitet es Multi-Image-Multi-Turn-Anweisungen, Video-Timeline-Ausrichtungen, GUI-Automatisierung und visuelles Codieren von Skizzen bis zu debugged UI. Die Textleistung entspricht den Flaggschiff-Qwen3-Modellen und eignet sich für Dokumenten-KI, OCR, UI-Unterstützung, räumliche Aufgaben und Agentenforschung.

Anleitungen zu diesem Modell

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Offene Gewichte vs. Open Source vs. Nur API: Was du wirklich darfst

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Qwen3-VL-30B-A3B-Thinking ist ein multimodales MoE-Modell von Qwen, das Bilder, Video und Text in einem Durchgang verarbeitet, mit einer Thinking-Variante, die erweitertes Reasoning bei STEM-, Mathematik- und komplexen visuellen Aufgaben anwendet. Das native 256K-Kontextfenster, 32-Sprachen-OCR, 3D-Raumverankerung und GUI-Automatisierung heben es von den meisten Vision-Language-Modellen in dieser Preisklasse ab. Offene Gewichte machen es zu einer ernsthaften Option für Forscher und Entwickler, die es lokal ausführen oder feinabstimmen wollen.

Bekannt für

Erweitertes Reasoning bei STEM- und Mathematikproblemen, basierend auf visuellen Belegen
GUI-Automatisierung auf PC und Mobil: erkennt Elemente, ruft Werkzeuge auf, erledigt Aufgaben
2D- und 3D-Raumverankerung, Beurteilung von Verdeckungen und Perspektiven
OCR in 32 Sprachen, auch bei schlechten Lichtverhältnissen, verschwommenen und antiken Schriftzeichen
Generiert Draw.io, HTML, CSS und JS direkt aus Bildern oder Videoframes

Achte auf

Die Thinking-Variante erzeugt längere Gedankengänge; Ausgabetokens zu $1,00/M summieren sich bei komplexen Aufgaben schnell.
30B MoE-Gewichte sind groß; lokale Ausführung erfordert viel VRAM – prüfen Sie Ihre Hardware vor dem Download.
Qwen hat hier keine detaillierte Lizenzübersicht veröffentlicht; prüfen Sie die Bedingungen im Hugging Face-Repository vor kommerzieller Nutzung.

Am besten für

Vision

Logisches Denken

Agenten und Werkzeugnutzung

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

UI-Screenshot debuggen

Fügen Sie einen Screenshot einer defekten Webseite oder App ein. Identifizieren Sie jedes sichtbare UI-Problem – Layoutbrüche, abgeschnittenen Text, falsch ausgerichtete Elemente, Kontrastprobleme – und schreiben Sie das korrigierte HTML und CSS, um jedes Problem zu beheben.

Räumliches Reasoning aus Bild

Fügen Sie ein Foto eines Raums oder einer Außenaufnahme ein. Listen Sie alle erkennbaren Objekte auf, schätzen Sie die groben räumlichen Beziehungen zwischen jedem Objektpaar (links von, hinter, verdeckt von) und markieren Sie alles, was strukturell unsicher oder fehl am Platz erscheint.

STEM-Aufgabe mit Diagramm

Fügen Sie ein Physik- oder Geometrie-Diagramm aus einem Lehrbuch ein. Nennen Sie das dargestellte Problem, identifizieren Sie alle gegebenen Werte und Unbekannten, und lösen Sie Schritt für Schritt, wobei Sie angeben, welcher Teil des Diagramms jeden Schritt Ihrer Argumentation stützt.

Vergleichen mit

Qwen3.7 Flash
Nur API-Modell
1,000,000 Token Kontext · $0.03/M Eingabe, $0.13/M Ausgabe
Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3.8 Omni Flash
Nur API-Modell
1,000,000 Token Kontext · $0.15/M Eingabe, $0.47/M Ausgabe
Qwen3 VL 32B Instruct
Nur API-Modell
131,072 Token Kontext · $0.10/M Eingabe, $0.42/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich Qwen3-VL-30B-A3B-Thinking lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-VL-30B-A3B-Thinking gehostet. Es ist ein 30B MoE-Modell, daher benötigen Sie viel VRAM; prüfen Sie die GGUF- und Quantisierungsanleitungen, wenn Sie es auf Consumer-Hardware ausführen möchten.
Was kostet es und wie groß ist der Kontext?: Über die API kostet es $0,29 pro Million Eingabetokens und $1,00 pro Million Ausgabetokens. Das native Kontextfenster beträgt 256K Tokens, laut Qwen auf 1M erweiterbar.
Worin unterscheidet sich diese Variante von der Nicht-Thinking-Version?: Die Thinking-Variante fügt vor der Antwort eine erweiterte interne Reasoning-Stufe hinzu, die die Leistung bei STEM-, Mathematik- und komplexen visuellen Aufgaben verbessert, jedoch längere – und damit teurere – Ausgaben erzeugt.

Captain's Urteil
Ein seltenes Vision-Modell mit offenen Gewichten, das das Reasoning-Label wirklich verdient – die Ausgabetoken-Kosten lohnen sich bei schwierigen Aufgaben.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen3 VL 30B A3B Thinking ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm qwen vision logik agenten langer kontext lokal

Nach Modellfamilie stöbern