Qwen3.6 Flash

识别画面中的对象与位置关系

Qwen3.6 Flash 可理解图片和视频，也能处理文字、编程与推理任务。它加强了空间理解、物体定位和目标检测相关能力，适合从界面截图、商品陈列或操作画面中提取信息。例如识别按钮位于哪个区域、比较两个对象的相对位置，或根据连续画面整理操作顺序。

给视觉任务下指令时，应明确要找的主体与属性：问“右侧第三层有哪些红色包装商品”，比问“看到了什么”更便于得到有用结果。需要定位时，先要求描述可见特征与位置，再由应用检查目标是否正确；小字、遮挡和相似对象可通过补充局部清晰图来辅助判断。

从画面理解走向代码与工具

模型也适合编程智能体任务，可根据截图、代码和运行反馈提出修改，再借助应用提供的工具读取文件、执行检查或查询数据。比如定位弹窗遮挡问题时，同时提供组件代码、截图和预期交互，让模型把画面现象与布局逻辑联系起来。工具的实际执行结果应继续传回，作为下一步判断的依据。

它支持百万 Token 级上下文，可结合较长资料开展分析；仍建议保留任务相关内容，给不同材料加上编号。通过 enable_thinking 选择思考或直接回复：位置与逻辑联合判断可开启思考，简单标签提取可关闭。需要 JSON Mode 时使用非思考模式，并在程序中校验结果字段，便于接入内容标注、搜索和业务表单。

例如分析网页截图，连同页面图片输入：

“请找到‘提交申请’按钮。描述按钮文字、颜色、所在区域，以及它与姓名输入框、取消按钮的相对位置。只依据当前截图；如果存在多个同名按钮，逐一说明区别。最后列出继续操作前仍缺少的信息，不猜测被遮挡的内容。”

需要结合组件代码排查点击失效时，再补充事件处理函数、控制台错误和复现步骤，并开启思考模式。仅做字段提取时可设置 enable_thinking=false，配合 JSON Mode 返回结构化结果。若应用据此执行点击，应先核对页面当前状态，操作后重新获取画面或工具结果确认变化。