編輯 | 聽雨

出品 | 51CTO技術棧（微信號：blog51cto）

就在今天，通義千問發(fā)布了Qwen3-VL官方指南，并將其稱為“Cookbooks”烹飪書。

圖片

這本“烹飪書”可謂讓用戶告別“魔咒”。因為對于強大的AI模型，尤其是多模態(tài)模型，我們常常需要反復嘗試、精心設計非常復雜和精確的指令（即“提示詞”），才能讓模型輸出理想的結果。

這個過程就像念一句復雜且不能出錯的“魔法咒語”一樣，門檻高且令人困擾。這就是所謂的“提示詞魔咒”。

“烹飪書”提供了大量即拿即用的代碼范例和最佳實踐，相當于把現(xiàn)成的、已經(jīng)驗證有效的“咒語”直接交給了用戶。有了這本指南，你就不再需要為如何“念咒”而頭疼了。

1.什么是“Qwen3-VL烹飪書”？

這本“烹飪書”其實就是一份“代碼筆記/指南合集”，里面提供了從基礎到進階的詳細范例。

圖片

它的核心特點主要在于三個：

①全面性：覆蓋從“思考”到“行動”的12大核心場景。

②實用性：提供本地部署和API調用兩種方式，滿足不同用戶需求。

③開源與開放：引導至GitHub，鼓勵社區(qū)學習和貢獻。

2.這本“烹飪書”里有哪些“招牌菜”？

Omni Recognition（全能識別）+3D Grounding（3D空間定位）+ Video Understanding（視頻理解），能夠將模型的識別能力從2D圖片擴展到3D空間和動態(tài)視頻，實現(xiàn)了對物理世界更立體的感知。

例如官方給出的omni_reconition例子，Qwen3-VL能夠輕松識別出圖片中每個動漫人物的名字：

圖片

圖片

包括動物、食物、娛樂明星等等也是不在話下：

圖片

圖片

而Qwen3-VL的OCR能力則可以準確識別各種復雜場景下的文字，從中精準抓取你關心的核心數(shù)據(jù)。

開發(fā)票就是大家最常見的場景，它可以輕松識別其中的關鍵字段：

圖片

圖片

像易拉罐和食品包裝袋上的文字，官方展示Qwen3-VL也可以輕松識別：

圖片

圖片

Qwen3-VL的長文檔解析能力也達到了更高水平，能夠直擊辦公和學習痛點。比如解析長篇PDF和PPT，它就可以幫上你的忙： 

圖片

圖片

3.對我們來說意味著什么？

此次通義千問官方發(fā)布Qwen3-VL的“烹飪書”，對于懂技術的開發(fā)者或不懂技術的普通用戶來說，都是一個利好消息。

對開發(fā)者而言，它可以大幅縮短開發(fā)周期，提供了現(xiàn)成的“輪子”；對于用戶來說，也可以便捷地體驗到多模態(tài)AI的魅力，降低使用門檻。

這里小編也幫大家找到了相關鏈接，可以自取：

GitHub：https://github.com/QwenLM/Qwen3-VL/tree/main/cookbooks

API：https://www.alibabacloud.com/help/en/model-studio/vision

那么評論區(qū)的各位大佬們：對于Qwen3-VL，你最想用哪個功能來解決你工作或生活中的什么問題？