Qwen3-VL リリースノート

Ollamaは、クラウドプラットフォーム上でQwen3-VLが利用可能になったことを発表しました。ローカルでの利用については、将来のリリースで予定されています。Qwen3-VLはQwenシリーズの中で最も強力なビジョン言語モデルであり、高度な視覚認識と高度な推論およびエージェント機能を統合するように設計されています。

高度な視覚およびエージェント機能

Qwen3-VLは、要素を認識し、機能を理解し、タスクを完了するためにツールを呼び出すことで、PCやモバイルのGUIを操作できるビジュアルエージェントとして機能します。また、「Visual Coding Boost」を提供し、画像や動画から直接HTML、CSS、JS、およびDraw.ioファイルを生成することを可能にします。

空間知覚とグラウンディング

このモデルは高度な空間知覚を備えており、物体の位置、視点、および遮蔽を判断することができます。これにより、より強力な2Dグラウンディングが提供され、空間推論やエンボディドAIアプリケーションに不可欠な3Dグラウンディング機能が導入されます。

マルチモーダル推論と認識

Qwen3-VLはSTEMおよび数学に優れており、因果関係の分析とエビデンスに基づいた論理的な回答を提供します。その視覚認識は、より広範で高品質な事前学習を通じてアップグレードされており、ランドマーク、動植物、有名人、製品など、より幅広いオブジェクトを識別できるようになっています。

文書理解とロングコンテキスト

Qwen3-VLはシームレスなテキスト・ビジョン融合を提供し、テキスト理解が純粋な大規模言語モデル（LLM）と同等であることを保証します。

拡張されたOCRと構造解析

モデルの光学文字認識（OCR）機能は、19言語から32言語へと拡張されました。ぼかし、傾き、低照度条件下でも堅牢であり、専門用語や希少な文字、あるいは古代の文字に対しても改善されたパフォーマンスを示します。さらに、モデルは長い文書の構造を解析する能力を向上させました。

ビデオとロングコンテキストの処理

Qwen3-VLは、256Kトークンのネイティブ・コンテキスト・ウィンドウを備えており、これは1Mトークンまで拡張可能です。これにより、モデルは数時間のビデオや本一冊全体を、秒単位のインデックス作成と完全な想起能力とともに処理することができます。

デプロイメントと統合

Qwen3-VLは現在、Ollamaのクラウドサービス経由で利用可能です。ユーザーは、以下の方法を使用して、235Bパラメータのモデルバージョンにアクセスできます：

コマンドラインインターフェース（CLI）

ユーザーは、以下のコマンドを使用してモデルを直接実行できます：

ollama run qwen3-vl:235b-cloud

ソフトウェアライブラリ

Ollamaは、統合のための公式JavaScriptおよびPythonライブラリを提供しています。両方のライブラリは、ノンストリーミングおよびストリーミング出力をサポートしています。例えば、Pythonライブラリを使用する場合、ユーザーは以下のようにモデルをプルしてチャットを行うことができます：

from ollama import chat

response = chat(
    model='qwen3-vl:235b-cloud', 
    messages=[{ 
        'role': 'user', 
        'content': 'What is this?', 
        'images': ['./image.jpg'] 
    }],
)
print(response.message.content)

APIアクセス

モデルは、OllamaのクラウドAPIおよびOpenAI互換APIを介してアクセス可能です。OpenAI互換のエンドポイントは、https://ollama.com/v1 をベースURLとして、chat completions、completions、およびembeddingsをサポートしています。

Sources

関連