千问多模态支持哪些输入类型？

千问大模型已全面迈入全模态智能时代，不仅能理解图文混合内容（如PDF、多图并联、高精度图像识别），还可直接处理长达10小时的音频、400秒720P视频，并支持113种语言方言的语音识别；更进一步，它能精准响应检测框标注指令实现视觉定位、对图文视频候选集进行跨模态重排序打分，甚至通过语音特征参数反向驱动高质量TTS合成——无论你是处理复杂文档、分析会议录像、做细粒度图像理解，还是构建多模态搜索或个性化语音交互系统，千问都能提供强大而灵活的原生多模态支持。

如果您在使用千问大模型时希望输入非文本内容，则需明确其支持的多模态输入类型。以下是千问系列中具备多模态能力的模型所覆盖的输入类型说明：

一、图文混合输入

Qwen3.5-4B-AWQ、Qwen-VL、Qwen3.5-Omni等模型原生支持图像与文本联合输入。该能力基于视觉编码器（如ViT）与语言模型的深度耦合，可同步解析图像语义与文字描述，并进行跨模态对齐。

1、支持上传PDF文档，自动提取其中嵌入的文字与图片元素

2、支持JPG、PNG等常见静态图像格式，分辨率最高达448×448

3、支持多图交错输入，在单次对话中依次或并列提交多张图像并指定关联问题

二、音视频输入

Qwen3.5-Omni作为全模态模型，突破了传统图文限制，直接接入原始音视频流信号，通过端到端架构实现声画联合建模，无需预转录或帧抽取。

1、支持超过10小时的连续音频输入，适用于长会议录音、播客等场景

2、支持超过400秒的720P音视频输入（1 FPS采样），可处理带语音解说的演示视频

3、支持113种语种和方言的语音识别，覆盖普通话、粤语、闽南语、藏语、维吾尔语等国内主要语言变体

三、检测框与空间标注输入

Qwen-VL系列模型支持结构化视觉输入，允许用户以边界框（bounding box）形式指定图像中关注区域，实现细粒度定位理解。

1、输入格式为[x_min, y_min, x_max, y_max]坐标序列，可叠加于任意图像之上

2、支持中文开放域定位指令，例如“把穿红衣服站在左边的人框出来”

3、可在同一张图像中同时输入多个检测框，分别对应不同问答目标

四、多模态重排序专用输入

通义千问3-VL-Reranker-8B专用于检索后精排阶段，接受文本+图像/视频混合候选集作为输入，执行跨模态相关性打分。

1、输入包含用户查询文本与最多8个图文或音视频候选样本

2、每个候选样本可附带原始媒体文件及人工标注的alt文本或标题

3、模型内部执行cross-encoder式联合编码，不依赖独立embedding向量拼接

五、语音合成驱动输入

部分Qwen3.5-Omni Instruct版本支持语音生成反向驱动，即以目标语音特征参数（如音色ID、语速、韵律曲线）作为辅助输入条件，调控文本到语音的输出质量。

1、提供4种自然对话音色选项，包括青年女声、沉稳男声、亲切童声与专业播报声

2、支持音色迁移控制，可将同一段文本生成为不同角色语音风格

3、输入中可嵌入语音控制标记，例如[speed:0.9][tone:friendly]，实时调节合成参数

本篇关于《千问多模态支持哪些输入类型？》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！