メインコンテンツへスキップ
ToolPotion
AI アドバイザー
送信(無料)

Qwen3-VL

AI GitHub リポジトリAIモデルとLLMオープンソース · Web

Qwen3-VLは、Alibaba CloudのQwenチームによるビジョン・ランゲージモデルシリーズで、DenseおよびMixture-of-Expertsサイズで、指示版と推論版("Thinking")がリリースされています。画像、動画、テキストを同時に読み取り、ネイティブの256Kコンテキストウィンドウを持ち、1Mまで拡張可能で、GUI自動化、OCR、空間推論のために設計された機能を備えています。

リポジトリを見る
共有
リポジトリを見る
共有

Qwen3-VLは、Alibaba CloudのQwenチームによって構築されたビジョン・ランゲージモデルシリーズで、チームがこれまでにリリースした中で最も能力の高いビジョン・ランゲージモデルとして位置付けられています。DenseおよびMixture-of-Expertsアーキテクチャで提供され、サイズは20億から2350億(アクティブなパラメータは220億)まであり、各サイズは2つのエディションで提供されます:直接応答用のInstructと、段階的推論用に調整されたThinkingです。

続きを読む

このモデルは、一般的な画像説明を超えた特定の能力をターゲットにしています。ビジュアルエージェントモードは、コンピュータや電話の画面を読み取り、インターフェース要素を認識し、タスクを完了するためにツールを呼び出すことができ、GUI自動化を目指しています。ビジュアルコーディング機能は、画像や動画から直接Draw.ioダイアグラム、HTML、CSS、またはJavaScriptを生成し、スクリーンショットやデザインモックアップを作業用マークアップに変換するのに役立ちます。空間認識は、シーン内のオブジェクトを特定し説明する2Dグラウンディングと、位置、視点、遮蔽を判断する必要がある身体化AIやロボティクス推論のための3Dグラウンディングをカバーします。

長文コンテンツに対して、Qwen3-VLはネイティブの256Kトークンコンテキストウィンドウをサポートし、1Mに拡張可能で、チームが説明するところの2次インデックスを持ち、1時間の動画に対して特定の瞬間を思い出し参照することができ、単に要約するだけではありません。OCRのカバレッジは32言語に及び、低照度、ぼやけ、傾き、珍しいまたは古代の文字、長い構造化文書に対しても堅牢性があるとされています。テキストのみの理解は、専用のテキストLLMに匹敵するように構築されており、モデルは視覚的能力のために純粋なテキストパフォーマンスを犠牲にすることはなく、チームは因果関係に基づく証拠を必要とするSTEMおよび数学タスクにおいて、より強力なマルチモーダル推論を報告しています。

その下では、アーキテクチャは、時間、幅、高さにわたる位置埋め込みのためのInterleaved-MRoPEを導入し、長い動画推論に役立ち、マルチレベルのビジョントランスフォーマ機能をシャープな画像-テキストアラインメントに融合するためのDeepStack、動画内のイベントのより正確なローカリゼーションのためのテキスト-タイムスタンプアラインメントメカニズムを備えています。

Qwen3-VLは、Hugging Face、ModelScope、インタラクティブデモスペース、直接使用のためのQwen Chat、Alibaba CloudのModel Studioを通じたホスティングAPIを介して利用可能で、重みをダウンロードせずに使用できます。Apache 2.0ライセンスの下でリリースされており、商業プロジェクトでの使用が可能です。サイズの範囲とビジュアルエージェントおよびOCR機能により、文書処理からGUI駆動エージェントまで、マルチモーダルアプリを構築する開発者に適しています。

  • カテゴリーAIモデルとLLM
  • 料金モデルオープンソース
  • デプロイクラウド
  • プラットフォームWeb

  • PCおよびモバイルのGUIを読み取り、要素を認識し、タスクを完了するためにツールを呼び出すビジュアルエージェント機能

  • 画像や動画から直接Draw.ioダイアグラム、HTML、CSS、JSコードを生成

  • オブジェクトの位置、視点、遮蔽を判断するための2Dおよび3D空間グラウンディング

  • ネイティブの256Kトークンコンテキスト、1Mに拡張可能で、1時間の動画に対する2次インデックスを持つ

  • 32言語にわたるOCR、低照度、ぼやけ、傾き、珍しいまたは古代の文字に調整済み

  • 有名人、アニメキャラクター、製品、ランドマーク、動植物をカバーする広範な視覚認識

  • 2Bから235B-A22BパラメータのDenseおよびMixture-of-Expertsサイズでリリース

  • 各サイズに対してInstructおよびThinking(推論強化)エディションを分けて提供

  1. オンラインでチャットする:Qwen ChatまたはHugging Faceデモスペースを通じてQwen3-VLを試す

  2. サイズを選択する:ハードウェアとレイテンシのニーズに基づいて2Bから235B-A22Bのモデルを選ぶ

  3. エディションを選択する:直接の回答にはInstructを、段階的推論にはThinkingを使用する

  4. 重みをダウンロードする:自己ホスティングのためにHugging FaceまたはModelScopeからモデルを取得する

  5. またはホスティングAPIを呼び出す:自己ホスティングの代わりにAlibaba CloudのModel Studio APIを使用する

  6. クックブックに従う:GUIエージェント、OCR、または動画中心のワークフローのために公開されたクックブックを使用する

  • GUIエージェント自動化
  • 文書およびシーンのOCR
  • 画像からコード生成
  • 長動画理解

Alibaba の製品

Qwen のモデルです。

Qwen3-VL のレビュー

読み込み中...

Qwen3-VL に似た人気のAIツール

Qwen3 大規模言語モデル

AI GitHub リポジトリ

Qwen3は、Alibaba CloudのQwenチームによって開発された大規模言語モデルシリーズです。指示追従、推論、テキスト理解、多言語サポートにおいて強化された能力を提供します。モデルは、思考モードと非思考モードを含む様々なサイズと構成で利用可能であり、長文脈理解に対応しています。

AIモデルとLLM
ツールを見る

AI GitHub リポジトリ

Alibaba CloudのQwenチームによって開発された大規模言語モデルシリーズです。指示追従、推論、テキスト理解、多言語サポートにおいて強化された能力を提供します。モデルは、思考モードと非思考モードを含む様々なサイズと構成で利用可能であり、長文脈理解に対応しています。Qwen3は、Alibaba CloudのQwenチームによって開発された大規模言語モデルシリーズです。指示追従、推論、テキスト理解、多言語サポートにおいて強化された能力を提供します。モデルは、思考モードと非思考モードを含む様々なサイズと構成で利用可能であり、長文脈理解に対応しています。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る

Qwen3.8-27B

AI モデル

Qwen3.8-27Bは、コーディング、専門的なタスク、研究のために設計された高度なAIモデルです。画像や動画を理解するネイティブなビジョン・ランゲージモデルを搭載しており、信頼性を向上させた複雑なタスクの完了を可能にします。

AIモデルとLLM
ツールを見る

AI モデル

コーディング、専門的なタスク、研究のために設計された高度なAIモデルです。画像や動画を理解するネイティブなビジョン・ランゲージモデルを搭載しており、信頼性を向上させた複雑なタスクの完了を可能にします。Qwen3.8-27Bは、コーディング、専門的なタスク、研究のために設計された高度なAIモデルです。画像や動画を理解するネイティブなビジョン・ランゲージモデルを搭載しており、信頼性を向上させた複雑なタスクの完了を可能にします。

注目AIモデルとLLM
AI モデル トップ5を見る

Qwen3-VL-235B-A22B-Instructは、優れたテキスト理解、視覚認識、推論能力を提供する強力なビジョン・ランゲージモデルです。強化されたマルチモーダル推論と空間認識を備えた柔軟な展開をサポートします。

AIモデルとLLM
ツールを見る

優れたテキスト理解、視覚認識、推論能力を提供する強力なビジョン・ランゲージモデルです。強化されたマルチモーダル推論と空間認識を備えた柔軟な展開をサポートします。Qwen3-VL-235B-A22B-Instructは、優れたテキスト理解、視覚認識、推論能力を提供する強力なビジョン・ランゲージモデルです。強化されたマルチモーダル推論と空間認識を備えた柔軟な展開をサポートします。

AIモデルとLLM
AI モデル トップ5を見る

AlibabaによるQwen3 VL 8B Instructは、優れたテキスト理解、視覚認識、マルチモーダル推論を提供する強力なビジョン・ランゲージモデルです。DenseおよびMoEアーキテクチャをサポートし、さまざまなアプリケーションにおけるAI機能を強化します。

AIモデルとLLM
ツールを見る

AlibabaによるQwen3 VL 8B Instructは、優れたテキスト理解、視覚認識、マルチモーダル推論を提供する強力なビジョン・ランゲージモデルです。DenseおよびMoEアーキテクチャをサポートし、さまざまなアプリケーションにおけるAI機能を強化します。

AIモデルとLLM
AI モデル トップ5を見る

Qwen2-VL-72B-Instructは、最先端の視覚理解と多言語サポートのために設計された高度なAIモデルです。画像、動画、複雑な推論タスクの処理に優れており、AI駆動の環境における多様なアプリケーションに適しています。

AIモデルとLLM
ツールを見る

最先端の視覚理解と多言語サポートのために設計された高度なAIモデルです。画像、動画、複雑な推論タスクの処理に優れており、AI駆動の環境における多様なアプリケーションに適しています。Qwen2-VL-72B-Instructは、最先端の視覚理解と多言語サポートのために設計された高度なAIモデルです。画像、動画、複雑な推論タスクの処理に優れており、AI駆動の環境における多様なアプリケーションに適しています。

AIモデルとLLM
AI モデル トップ5を見る

Qwen3-0.6Bは、密なモデルと専門家の混合機能を提供する最先端の言語モデルです。推論、多言語サポート、エージェント統合に優れ、複雑なタスクに最適です。

AIモデルとLLM
ツールを見る

密なモデルと専門家の混合機能を提供する最先端の言語モデルです。推論、多言語サポート、エージェント統合に優れ、複雑なタスクに最適です。Qwen3-0.6Bは、密なモデルと専門家の混合機能を提供する最先端の言語モデルです。推論、多言語サポート、エージェント統合に優れ、複雑なタスクに最適です。

AIモデルとLLM
AI モデル トップ5を見る

Qwen3.8-Flash-Next

AI モデル

Qwen3.8-Flash-Nextは、オープンソース技術を通じて人工知能を進化させるために設計された最先端のAIモデルです。効率的な処理のための革新的なアーキテクチャを備えており、自然言語処理やマルチモーダルタスクのさまざまなアプリケーションに適しています。

AIモデルとLLM
ツールを見る

AI モデル

オープンソース技術を通じて人工知能を進化させるために設計された最先端のAIモデルです。効率的な処理のための革新的なアーキテクチャを備えており、自然言語処理やマルチモーダルタスクのさまざまなアプリケーションに適しています。Qwen3.8-Flash-Nextは、オープンソース技術を通じて人工知能を進化させるために設計された最先端のAIモデルです。効率的な処理のための革新的なアーキテクチャを備えており、自然言語処理やマルチモーダルタスクのさまざまなアプリケーションに適しています。

注目AIモデルとLLM
AI モデル トップ5を見る

LLaVA

AI GitHub リポジトリ

LLaVAは、大規模言語とビジョン機能を組み合わせたビジュアル指示チューニングモデルです。GPT-4Vレベルのパフォーマンスを目指し、マルチモーダルな理解とインタラクションを可能にします。このプロジェクトは、研究者や開発者向けにコード、モデル、リソースを提供します。

AIモデルとLLM
ツールを見る

AI GitHub リポジトリ

大規模言語とビジョン機能を組み合わせたビジュアル指示チューニングモデルです。GPT-4Vレベルのパフォーマンスを目指し、マルチモーダルな理解とインタラクションを可能にします。このプロジェクトは、研究者や開発者向けにコード、モデル、リソースを提供します。LLaVAは、大規模言語とビジョン機能を組み合わせたビジュアル指示チューニングモデルです。GPT-4Vレベルのパフォーマンスを目指し、マルチモーダルな理解とインタラクションを可能にします。このプロジェクトは、研究者や開発者向けにコード、モデル、リソースを提供します。

AIモデルとLLM
AI GitHub リポジトリ トップ250を見る
1 / 8