Qwen3-VL 视频理解能力 — 动作识别与时序推理
视频输入支持
qwen3-vl-plus 支持视频作为输入。视频可以通过 URL 或 base64 传递。
messages = [
{
"role": "user",
"content": [
{"video": "https://example.com/demo.mp4"},
{"text": "描述这个视频里发生了什么。"}
]
}
]
response = MultiModalConversation.call(model="qwen3-vl-plus", messages=messages)典型能力
动作识别
视频里的人在做什么运动？
视频中第几秒开始跑步？
这个人的动作标准吗？时序理解
按时间顺序描述视频中发生的事件。
视频中谁先出现？
视频的开头和结尾有什么不同？内容摘要
给这个 2 分钟的教学视频写一段 100 字以内的摘要。
列出视频中的主要讲解点。视觉问答
视频中红色汽车在哪个位置？
视频里一共有几个人？
最后发生了什么事？使用限制
| 方面 | 限制 |
|---|---|
| 视频格式 | mp4、mov 等主流格式 |
| 视频时长 | 建议 ≤ 60 秒（具体见百炼文档） |
| 文件大小 | 有上限 |
| 帧采样 | 模型内部会自动对长视频抽帧 |
与 qwen3-vl-flash 的区别
qwen3-vl-flash 对视频支持有限，优先用 qwen3-vl-plus 处理视频任务。
成本
视频理解消耗的 token 明显多于图片——模型需要先对视频抽帧、理解每帧、再综合推理。长视频可能导致单次调用消耗数万 token。