Alibaba • LLM
Qwen3-VL-235B-A22B Instruct is an open-weight multimodal model that unifies strong text generation with visual understanding across images and video. The Instruct model targets general vision-language use (VQA, document parsing, chart/table...
Context Window
262K tokens
Preço Input/1M
$0.20
Preço Output/1M
$0.88
Parâmetros
—
Resultados do Qwen: Qwen3 VL 235B A22B Instruct nos principais benchmarks de avaliação de modelos de IA. Scores mais altos indicam melhor performance.
| Benchmark | Score | Máximo | Metodologia |
|---|---|---|---|
| LiveCodeBench | 64.6 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| AA Coding Index | 20.9 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| Benchmark | Score | Máximo | Metodologia |
|---|---|---|---|
| AIME 2025 | 88.3 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| AA Math Index | 88.3 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| Benchmark | Score | Máximo | Metodologia |
|---|---|---|---|
| LMArena Elo | 1416.0 | 2000.0 | Crowdsourced blind pairwise comparisons |
| AA Intelligence Index | 27.6 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| Benchmark | Score | Máximo | Metodologia |
|---|---|---|---|
| MMLU Pro | 83.6 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
| GPQA Diamond | 77.2 | 100.0 | Artificial Analysis official API - Intelligence/Coding/Math indices |
O Qwen: Qwen3 VL 235B A22B Instruct é um modelo de inteligência artificial desenvolvido pela Alibaba, classificado como modelo de linguagem (LLM). É um modelo multimodal, capaz de processar texto, imagens e potencialmente outros tipos de mídia. Como modelo de código aberto, está disponível para download, personalização e deploy on-premises. Com uma janela de contexto de 262K tokens, é adequado para processamento de documentos longos como contratos, livros e bases de código completas.
O Qwen: Qwen3 VL 235B A22B Instruct é cobrado por uso, com preço de US$ 0.2/1M tokens de input e US$ 0.88/1M tokens de output. Para contextualizar: 1 milhão de tokens equivale a aproximadamente 750 mil palavras, ou cerca de 10 livros de tamanho médio. Com esse preço agressivo, é uma das opções mais econômicas do mercado, ideal para aplicações de alto volume como chatbots, análise de documentos em massa e automações.
Para o mercado brasileiro, é importante considerar o IOF de 6,38% sobre transações internacionais e a variação cambial do dólar. Com o câmbio atual, o custo do Qwen: Qwen3 VL 235B A22B Instruct em reais fica em torno de R$ 1.23/1M tokens de input (estimativa com IOF incluso).
O Qwen: Qwen3 VL 235B A22B Instruct foi avaliado em 8 benchmarks diferentes, cobrindo categorias como Coding, Math, overall, Reasoning. Os resultados mostram performance excepcional nas avaliações disponíveis.
É importante notar que benchmarks medem aspectos específicos e não capturam toda a experiência de uso. Fatores como qualidade da resposta em português, aderência a instruções complexas e comportamento em conversas longas variam significativamente entre modelos e nem sempre são refletidos nos scores padrão.
O Qwen: Qwen3 VL 235B A22B Instruct é adequado para diversas aplicações de inteligência artificial: análise de documentos longos (contratos, processos jurídicos, bases de código), automação com tool calling (integração com APIs, banco de dados, sistemas externos), análise de imagens e documentos visuais (OCR, diagramas, screenshots), processamento multimodal combinando texto e imagens, chatbots de alto volume e atendimento automatizado, geração de texto, resumo, tradução e assistência geral.
No ecossistema de modelos de IA em 2026, o Qwen: Qwen3 VL 235B A22B Instruct compete diretamente com modelos de nível similar. A Alibaba compete neste segmento contra OpenAI, Anthropic, Google e Meta. A escolha entre modelos depende do caso de uso específico, orçamento, requisitos de latência e necessidade de funcionalidades como multimodalidade e tool calling.
Para uma comparação detalhada lado a lado, utilize nossa ferramenta de comparação ou consulte o ranking geral de modelos.
Para usuários brasileiros, a performance em português é um critério fundamental na escolha de um modelo de IA. A maioria dos benchmarks internacionais testa apenas em inglês, o que pode mascarar diferenças significativas na qualidade de resposta em outros idiomas. O Qwen: Qwen3 VL 235B A22B Instruct oferece suporte multimodal que funciona em múltiplos idiomas, mas a qualidade em português brasileiro pode variar dependendo da tarefa específica.
Recomendamos testar o modelo com prompts representativos do seu caso de uso em português antes de tomar uma decisão. O SWEN.AI está desenvolvendo um benchmark proprietário em PT-BR com tarefas aderentes ao mercado brasileiro para fornecer comparações mais precisas.
Qwen3-VL-235B-A22B Instruct is an open-weight multimodal model that unifies strong text generation with visual understanding across images and video. The Instruct model targets general vision-language use (VQA, document parsing, chart/table...
O Qwen: Qwen3 VL 235B A22B Instruct custa US$ 0.2/1M tokens de input e US$ 0.88/1M tokens de output. Para uso intensivo (ex.: chatbot de WhatsApp com 100k mensagens/mês), o custo pode variar de R$ 50 a R$ 5.000 dependendo do volume.
A maioria dos modelos de IA modernos, incluindo o Qwen: Qwen3 VL 235B A22B Instruct, suporta português brasileiro. No entanto, a qualidade pode variar — modelos como Claude e Gemini tendem a ter melhor performance em PT-BR. Recomendamos testar com prompts específicos do seu caso de uso.
Nos benchmarks disponíveis, o Qwen: Qwen3 VL 235B A22B Instruct obteve scores como: LiveCodeBench: 64.6/100, AA Coding Index: 20.9/100, AIME 2025: 88.3/100. Consulte a tabela completa acima para comparação detalhada.
Sim, o Qwen: Qwen3 VL 235B A22B Instruct é um modelo de código aberto. Isso significa que você pode fazer deploy on-premises, personalizar via fine-tuning e ter controle total sobre os dados. Verifique a licença específica no repositório oficial.
Última atualização: 23 de abril de 2026