纯文本的Qwen3（例如 Qwen3-30B-A3B-Instruct-2507) 是怎么接收图片输入的，为什么目标检测效果比同规模的VL模型还要好

[haildceu1]

Qwen3-30B-A3B-Instruct-2507对于同一张图片的目标检测，甚至比相应的VL模型效果还要好，能输出具体的目标描述，空间定位上也更加精确，请问是什么原因
下方分别是Qwen3-30B-A3B-Instruct-2507和Qwen3-VL-30B-A3B-Instruct的推理结果：

[jklj077]

试试其他的VL模型呢，agent可能调用了其他模型。