十一，AI圈想放假是不可能的！
千问，刚刚又开源了Qwen3-VL-30B-A3B模型，依旧两个版本Instruct和Thinking，感觉Qwen应该是听到了我的许愿，哈哈哈哈~
同时还有对应的FP8模型，也就是说两张4090就能跑了，真贫民福利！
HF：https://huggingface.co/collections/Qwen/qwen3-vl-68d2a7c1b8a8afce4ebd2dbe
Qwen3-VL-30B-A3B模型的结构细节可看，等了大半年的Qwen3-VL终于也开源了！附模型细节&实测！
整体榜单上，Qwen3-VL-30B-A3B-Instruct大部分是优于Qwen2.5-VL-72B-Instruct的，
下面带来实测，懒人速览版：
Qwen3-VL-30B-A3B模型的整体智力较Qwen3-VL-235B-A22B差不少，也能理解，毕竟参数量，激活量在哪儿摆着呢； 跟Qwen3-VL-30B-A3B不同，Qwen3-VL-30B-A3B的Think版本的图像理解、计算能力更强； 表格识别不行了，太难受了； 图片排序，think强一些，instruct不太行； 数学做题Qwen3-VL-30B-A3B很强，甚至有的比Qwen3-30B-A3B强； 网页复刻依旧不理想； 色盲测试图片，将图翻转也能对，可以的。
OCR识别
考察多模态大模型的内容提取能力，为了增加难度，上手写体。
Prompt：请识别图中的文本内容，言简意赅。
Qwen3-VL-30B-A3B：回答正确
内容理解
考察多模态大模型提取图片内容，理解内容能力，
Prompt：我今天喝了这个果汁会怎么样
Qwen3-VL-30B-A3B：回答正确
表格识别
考察多模态大模型的内容提取和指令跟随能力，需要将表格图片用HTML进行还原。
Qwen3-VL-30B-A3B：回答错误
网页复刻
考察多模态大模型网页还原、审美和代码能力。
Prompt：请帮我1：1还原这个网页内容，用HTML呈现。
Qwen3-VL-30B-A3B：不是很好，有一些奇怪
报告分析
考察多模态大模型的内容理解能力、知识储备的能力。
Prompt：请帮我解读一下报告内容。
Qwen3-VL-30B-A3B：解读正确
理解计算
考察多模态大模型的内容理解能力、计算能力。
Prompt：找到2024年GDP值最大的省份，并且计算占全国GDP的百分之多少？
2024年总和=1340312.8
Qwen3-VL-30B-A3B-Instruct：广东找对，但最终计算错误
Qwen3-VL-30B-A3B-Thinking：都正确
目标识别
考察多模态模型对事物的识别能力，让模型判断事物是否准确、或者查东西的个数。
Prompt：告诉我桌子上菇娘儿的个数。
Qwen3-VL-30B-A3B：回答正确
Grouding
查看模型定位能力，之前纯文本输出找不到的内容，grouding是可以找到的
Prompt：找出图片中奔跑的人，以JSON格式返回边界框坐标。
Qwen3-VL-30B-A3B：
但是小恐龙还是找不到，
数学做题
考察多模态大模型的数学能力，测试2025年高考题。
Prompt：解题
Qwen3-VL-30B-A3B：回答正确，最后一问也回答对了
图片排序
多模态模型能否理清多张图片之间逻辑关系的，能否理解世界事件发展的规律。
Prompt：根据图中显示的多个场景，将最有可能发生的事件按顺序排列。
正确答案CADB，走到商店，买雪糕，滑倒，打到脸上
Qwen3-VL-30B-A3B-Instruct：回答错误
Qwen3-VL-30B-A3B-Thinking：回答正确
Prompt：根据图中显示的多个场景，将最有可能发生的事件按顺序排列。
正确答案CDAB，有蘑菇，采摘并吃掉，有点晕，产生了幻觉蘑菇会走了
Qwen3-VL-30B-A3B：回答不不对，没有235B理解的好
空间逻辑
考察多模态模型在理解图片的基础上进行深度的逻辑分析。
Prompt：请回答。
正确答案为A。
Qwen3-VL-30B-A3B：回答错误，同时回答长了之后，依旧会出现中英文夹杂的现象。
空间变换
考察多模态模型对图像的空间转换能力。
Prompt：请回答。
Qwen3-VL-30B-A3B-Instruct：回答错误
Qwen3-VL-30B-A3B-Thinking：回答正确，可以正确识别主视图
色盲测试
考察多模态大模型对颜色的识别能力。
Prompt：图片里有数字吗？如果有的话是什么？
正常者能读出６，红绿色盲者及红绿色弱者读成 5，而全色弱者则全然读不出上述的两个字。
Qwen3-VL-30B-A3B：回答正确
将图片翻转，也能识别正确，
最后想说，Qwen还是开源的Top，
30B-A3B这个模型，虽然在一些能力上，较更大模型有差距，
但它小呀，30B的Moe，只激活3B，在端侧用起来会很舒服，
并且，效果不好的地方，我也能微调了，不像235B，我只能远远的望着。
这个十一，卷飞边子了，
