説明
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
Qwen3-VLの主要機能
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
Qwen3-VLをはじめる
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
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
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
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
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
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
Qwen3-VLの使用例
- 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










