本文へスキップ

Qwen-VL

画像と文章を扱う汎用の視覚言語モデル

公式サイトを見る

Qwen-VL とは

Qwen-VL は Alibaba Cloud が出した汎用の視覚言語モデルと紹介され、視覚理解とマルチモーダルな推論を備えると説明されている。 Transformer 構造を採り 7B のパラメータ規模で事前学習され、448x448 の解像度で画像と文章の入出力を端から端まで扱う。

できること

  • ゼロショットで画像の説明文を生成する
  • 画像に関する視覚的な質問に答える
  • 図中の文字を理解しランドマークの位置を特定する
  • きめ細かい理解を多言語対応と合わせて用いる

活用場面

  • 一枚の写真を文章による説明に変える
  • 画像をめぐる問いに答える
  • 写真に写った文字の内容を読み取る

モデルについて

  • Transformer 構造を採用する
  • 7B のパラメータ規模で事前学習する
  • 448x448 の入力解像度に対応する
  • 画像と文章の入出力を一貫して処理する

長所と短所

✓ 良い点

  • 画像と文章の入出力を端から端まで処理する
  • 資料は汎用性と多言語対応を挙げる

! 注意したい点

  • 資料が述べる事前学習は 7B のパラメータ規模
  • 入力の解像度は 448x448 と記載される

よくある質問

どんな作業が挙がる?

ゼロショットの画像説明、視覚質問応答、文章理解、ランドマーク特定、多言語対応、きめ細かい理解。

規模はどのくらい?

資料は Transformer 構造で 7B のパラメータ規模の事前学習、448x448 の解像度対応と説明。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法