Kan jag köra Qwen3 VL 32B lokalt?

Nej. Alibaba har inte släppt offentliga vikter för denna modell, så den är endast tillgänglig via API och kan inte köras på din egen hårdvara.

Vad kostar Qwen3 VL 32B och hur lång är dess kontext?

Det kostar 0,10 USD per miljon inmatningstoken och 0,42 USD per miljon utmatningstoken, med ett kontextfönster på 131 072 token.

Hur skiljer sig denna från en textbaserad Qwen3-modell?

Denna variant har en visuell encoder så att den kan bearbeta bilder och video tillsammans med text; en textbaserad Qwen3-modell kan inte ta emot bild- eller videoinmatning alls.

Qwen3 VL 32B Instruct

5925°

#llm #qwen #vision #resonemang #forskning #lång kontext

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Qwen | 131,072 token kontext | $0.10/M input, $0.42/M output. Qwen3-VL-32B-Instruct är en storskalig multimodal syn-språkmodell designad för högprecisionsförståelse och resonemang över text, bilder och video. Med 32 miljarder parametrar kombinerar den djup visuell perception med avancerad text...

Guider för denna modell

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Hur du väljer en AI-modell i oktober 2026: nyheter om stängd källkod och öppna vikter värda att ladda ner

De 10 billigaste ChatGPT-alternativen 2026: gratis lokala modeller, gratisnivåer och fastprisplaner

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen3 VL 32B Instruct är Alibabas 32 miljarder parametrar stora vision-language-modell byggd för att hantera text, bilder och video i ett enda system. Den riktar sig till uppgifter som kräver noggrann visuell läsning tillsammans med starkt resonemang snarare än casual chatt. Med 0,10 USD per miljon inmatningstoken ligger den på en rimlig prisnivå för en modell i denna skala, vilket gör den värd att överväga för dokumenttunga eller visuellt komplexa arbetsuppgifter.

Känd för

Högprecisionsförståelse över bilder, video och text i en och samma modell
32 miljarder parametrar ger seriös resonansdjup till visuella uppgifter
Konkurrenskraftigt inmatningspris för en stor multimodal modell
128K token kontext hanterar långa dokument tillsammans med bifogade visuella element

Se upp för

Vikterna är inte offentliga; du är bunden till API-åtkomst, ingen lokal distribution.
Utmatningstoken kostar 0,42 USD/M och blir snabbt dyrt vid utförliga eller flerstegs visuella uppgifter.
Ingen modellkortsinformation publicerad, så finjusteringsmöjligheter och licensvillkor är oklara.

Bäst för

Promptar att prova

Extrahera tabell från bild

Jag bifogar ett foto av en tryckt finanstabell. Extrahera varje rad och kolumn till en ren markdown-tabell och bevara alla siffror exakt som de visas. Markera varje cell där texten är oklar eller delvis skymd.

Resonera kring ett diagram

Jag bifogar ett systemarkitekturdiagram. Gå igenom dataflödet steg för steg, identifiera eventuella enskilda felpunkter du kan se och föreslå en konkret förändring som skulle förbättra robustheten.

Sammanfatta ett långt dokument

Här är en 60-sidig regulatorisk rapport. Ge mig en strukturerad sammanfattning: den centrala skyldigheten som beskrivs, viktiga deadlines, eventuella nämnda påföljder och de tre saker en compliance-avdelning först behöver agera på.

Jämför med

Qwen3.8 Flash
Öppen vikt-modell
1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
Qwen3.5-9B
Öppen vikt-modell
262,144 tokens kontext · $0.10/M indata, $0.15/M utdata
Qwen3 Max
Öppen vikt-modell
262,144 tokens kontext · $0.78/M indata, $3.90/M utdata
Qwen3 Max Thinking
Öppen vikt-modell
262,144 tokens kontext · $0.78/M indata, $3.90/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3 VL 32B lokalt?: Nej. Alibaba har inte släppt offentliga vikter för denna modell, så den är endast tillgänglig via API och kan inte köras på din egen hårdvara.
Vad kostar Qwen3 VL 32B och hur lång är dess kontext?: Det kostar 0,10 USD per miljon inmatningstoken och 0,42 USD per miljon utmatningstoken, med ett kontextfönster på 131 072 token.
Hur skiljer sig denna från en textbaserad Qwen3-modell?: Denna variant har en visuell encoder så att den kan bearbeta bilder och video tillsammans med text; en textbaserad Qwen3-modell kan inte ta emot bild- eller videoinmatning alls.

Kaptens omdöme
En kapabel, prisvärd vision-language-modell för seriöst visuellt resonemangsarbete, endast begränsad av stängda vikter.

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

GPT 5 Image

TEXT / LLM

Llama 3.2 3B Instruct

AI-modeller för bild-, video- och textgenerering

Qwen3 VL 32B Instruct är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen vision resonemang forskning lång kontext

Bläddra efter modellfamilj