Skip to content
記事
Qwen3‑VL: 高度なビジョンを備えたオープンソースのマルチモーダルAI

Qwen3‑VL: 高度なビジョンを備えたオープンソースのマルチモーダルAI

Antonio Di Nicola
Name
Antonio Di Nicola

Updated on

Qwen3‑VL は、256Kコンテキスト、空間的推論、動画理解、32言語のOCRを備えた最新のオープンソース視覚言語モデルです。特徴、ベンチマーク、実運用のポイントを解説します.

TL;DR — Qwen が最新のオープンウェイト視覚言語シリーズである Qwen3‑VL を公開。フラッグシップの Qwen3‑VL‑235B‑A22B（Instruct + Thinking）は Apache‑2.0 でオープン、ネイティブ256K（最大1Mまで拡張可能）のコンテキスト、より強力な空間/動画推論、32言語のOCRを搭載。単なる認識にとどまらず、より深いマルチモーダル推論とエージェント型のUI制御を狙う大型モデル（重み約471GB）。多くのチームはまずAPIやホスティング推論から着手するだろう。(GitHub (opens in a new tab))

何が公開されたのか（そして、なぜ重要か）

Qwen3‑VL は Qwen チームの最新の視覚言語モデルファミリー。リポジトリとモデルカードでは、テキスト理解、視覚知覚/推論、長コンテキストの動画理解、そしてエージェント的なインタラクション（PC/モバイルのGUI操作など）にわたる強化が示されている。アーキテクチャとしては、長期動画に向けた Interleaved‑MRoPE、マルチレベルViT融合のための DeepStack、精密な動画の時間的モデリングのための Text–Timestamp Alignment を導入。(GitHub (opens in a new tab))

最初のオープンウェイト公開は約235Bパラメータの MoE モデル（A22B = トークンあたり約22Bがアクティブ）。Instruct と Thinking 版が Apache‑2.0 で提供。重点領域は STEM/マルチモーダル推論、空間知覚/2D–3Dグラウンディング、長尺動画理解、32言語のOCR。(Hugging Face (opens in a new tab))

リリース日: Qwen は Qwen3‑VL‑235B‑A22B の Instruct と Thinking の重みを 2025年9月23日 にリリースと記載。(GitHub (opens in a new tab))

Qwen3‑VL Thinking with Image

主な仕様の早見表

機能Qwen3‑VL の詳細
オープンウェイトのバリアント235B A22B の Instruct と Thinking（Apache‑2.0）
コンテキスト長ネイティブ 256K、1M まで拡張可能（Qwen のガイダンス）
Vision/Video空間推論を強化、長尺動画の時間的グラウンディング
OCR32言語、低照度/ブレ/傾きに頑健
AgenticGUIを読み取り、PC/モバイルのタスクで行動計画が可能
サイズHFカードは約236Bパラメータ、コミュニティ報告では重み約471GB
フレームワーク対応2025年9月中旬時点で公式に Transformers に対応

出典: リポジトリ/モデルカードの機能・エディション、コンテキスト長やエージェント機能の記述；Transformers 対応は HF ドキュメント；実用上の重みサイズは Simon Willison のノート。(GitHub (opens in a new tab))

Qwen2.5‑VL からの主な進化点は？

  • 時間/空間モデリングの精度向上: Interleaved‑MRoPE と Text–Timestamp Alignment により、従来の T‑RoPE 手法よりも長尺動画におけるイベント局在化の精度向上を狙う。DeepStack は画像‑テキストの細粒度アラインメントを強化。(GitHub (opens in a new tab))
  • より長いコンテキストと広いモダリティ対応: デフォルトで 256K トークン、1M への拡張パス。GUI、ドキュメント、長尺動画の理解が強化。(GitHub (opens in a new tab))
  • より大型で推論特化のエディション: Thinking 版はマルチモーダル推論タスクを狙う。選定ベンチマークでは一部でクローズドモデルと競合/凌駕するとの自己報告。(Simon Willison’s Weblog (opens in a new tab))

Qwen のブログやSNSでは、知覚系ベンチでの Gemini 2.5 Pro に対する同等/優位や、複数のマルチモーダル推論セットでのSOTAを主張。独立検証が必要。(Simon Willison’s Weblog (opens in a new tab))

Qwen3‑VL Architecture

公開物と実行場所

  • GitHub: コードスニペット（Transformers）、クックブック（OCR、グラウンディング、動画、エージェント）。論文は「近日」。(GitHub (opens in a new tab))

  • Hugging Face:

  • Transformers 対応: Qwen3‑VL は 2025年9月中旬に Transformers ドキュメントへ掲載。(Hugging Face (opens in a new tab))

  • ホスティング/API オプション: OpenRouter が Qwen3‑VL 235B のAPIを提供。Alibaba Cloud の Model Studio では Qwen‑Plus / Qwen3‑VL‑Plus の API SKU があり、thinking / non‑thinking モードや料金階層を用意。(OpenRouter (opens in a new tab))

命名に関する注意: HN では、Qwen3‑VL‑Plus（API）と Qwen‑VL‑Plus（旧シリーズ）は別物であること、また qwen‑plus‑2025‑09‑11 のようなスナップショット名が混乱を招くとの指摘。心配無用。(Hacker News (opens in a new tab))

ベンチマーク（要注意）

Qwen の発表では、Instruct が知覚寄りのテストで Gemini 2.5 Pro に「同等/優位」、Thinking は複数のマルチモーダル推論スイートで SOTA と主張。これらは自己申告であり、特にチャート/テーブル理解、図表推論、動画QAのようにデータ設計が結果を左右しがちな領域では、独立評価が重要。(Simon Willison’s Weblog (opens in a new tab))

とはいえ、コミュニティの初期ノートでは、Qwen3‑Omni → Qwen3‑VL‑235B の比較（例: HallusionBench, MMMU‑Pro, MathVision 等）で有意な伸びが示唆されている——ただし未査読。(Reddit (opens in a new tab))

なぜ学術界は Qwen を選び続けるのか（そして Qwen3‑VL の採用が速い理由）

多くのビジネス用途が利便性やSLAから GPT/Claude/Gemini を選ぶ一方で、研究グループは再現性、監査、アブレーション、領域特化の微調整のためにオープンウェイトを求めることが多い。Qwen はそれを後押ししてきた。

  • 規模を跨ぐオープンウェイト（サブ2Bから 235B+ MoE まで）。研究室のGPUに合うサイズから始め、必要に応じてスケールアップ可能。(Qwen (opens in a new tab))
  • 寛容なライセンス（多くのチェックポイントが Apache‑2.0）により、学術/産業の協業で摩擦が少ない。(Hugging Face (opens in a new tab))
  • 論文での実績: 例として BioQwen（バイオメディカル双語モデル）、RCP‑Merging による Qwen2.5 ベースの長CoT/領域マージ研究、複数の医療VLMのRLチューニングが Qwen2.5 を起点に。(ciblab.net (opens in a new tab))

Qwen3‑VL は長尺動画と空間グラウンディングを強化しつつオープンウェイトを維持しているため、特にドキュメントインテリジェンス、科学図表、医療VQA、エンボディド/エージェント研究で「標準ベースライン」として迅速に採用されるだろう。

プロダクトチーム向け: 実践的な指針

  • まずはホスティング、その後最適化: フラッグシップは非常に大きい（コミュニティ報告: 重み約471GB）。マルチGPU（A100/H100/MI300）環境がないなら、まず API（OpenRouter, Alibaba Model Studio）で利用し、Qwen2.5‑VL と同様に小型版の Qwen3‑VL が出揃ったタイミングでローカル/エッジ展開を再検討。(Simon Willison’s Weblog (opens in a new tab))
  • 「Thinking」＝常に優位 ではない: API は thinking / non‑thinking を提供し、トークン予算や料金が異なる。長尺/曖昧なマルチモーダル課題などに絞って thinking を使い分ける。(AlibabaCloud (opens in a new tab))
  • コンテキスト費用に注意: 256K–1M のコンテキストは強力だがコスト高。ドキュメント/動画の分割戦略、事前パース（OCR/レイアウト）や RAG を活用し、プロンプトの肥大化を抑制。(GitHub (opens in a new tab))
  • エージェント的UX: スクリーンショットや画面ストリームからの UI 自動化が必要なら、Qwen3‑VL のビジュアルエージェント機能を試す価値あり。ただし堅牢なツールAPIとガードレールの実装に投資を。(GitHub (opens in a new tab))

クイックスタート（Transformers）

from transformers import Qwen3VLMoeForConditionalGeneration, AutoProcessor  # HF >= 4.57
model_id = "Qwen/Qwen3-VL-235B-A22B-Instruct"  # or ...-Thinking
model = Qwen3VLMoeForConditionalGeneration.from_pretrained(model_id, dtype="auto", device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)
 
messages = [{"role": "user", "content": [
    {"type": "image", "image": "https://.../app-screenshot.png"},
    {"type": "text", "text": "What button should I tap to turn on dark mode? Explain briefly."}
]}]
 
inputs = processor.apply_chat_template(messages, tokenize=True, add_generation_prompt=True, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=200)
print(processor.batch_decode(outputs[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0])

これは Qwen のモデルカード例に準拠（利用可能なら FlashAttention‑2 を有効化）。マルチ画像や動画の場合は、複数の {"type": "image"} エントリ、またはフレーム/画素制御を含む {"type": "video"} をリポジトリの例に従って渡す。(Hugging Face (opens in a new tab))

よくある落とし穴と注意点

  • 命名の揺れ: 「Qwen3‑VL‑Plus」（API）と「Qwen‑VL‑Plus」（旧オープンウェイト系）は別物。読み込んでいる Model Studio のドキュメントと HF のページを要確認。(Hacker News (opens in a new tab))
  • メモリの錯覚: 235B の MoE はオープンウェイトだが、MoE でも推論が小さくなるわけではない。メモリと帯域を十分に見積もること。重みはコミュニティでは約471GBとされる。(Simon Willison’s Weblog (opens in a new tab))
  • 自己申告リーダーボード: マーケ資料は仮説と捉える。特にチャート/テーブル、ドキュメント、動画QAは自前で再評価を。

FAQ

Q: Qwen3‑VL‑235B‑A22B の「A22B」は何を意味する？ A: Mixture‑of‑Experts モデルで、総パラメータは約235B、トークンあたりアクティブなのは約22B。計算効率と容量のトレードオフ。(Qwen (opens in a new tab))

Q: Instruct と Thinking はどう使い分ける？ A: Instruct は汎用に整列され、概ね高速/低コスト。Thinking は内部で思考トレース（APIの「thinking mode」）を伴い、合成性の高い課題や長期依存で効く可能性がある一方、トークンコストは増える。手元の評価セットで両方を試すとよい。(Hugging Face (opens in a new tab))

Q: 「Gemini 2.5 Pro より優れている」は本当？ A: 知覚系ベンチでの優位や複数のマルチモーダルタスクでのSOTAは Qwen の自己報告。独立比較には時間を要するため、コミュニティ評価や自分のドメイン固有テストを注視。(Simon Willison’s Weblog (opens in a new tab))

Q: ローカルで動かせる？ A: 大容量メモリのマルチGPUがあれば可能。多くのチームはまず OpenRouter や Model Studio などのホスティング推論から始めるだろう。小規模なローカル試行には、より小さい Qwen2.5‑VL（72B/32B/7B/3B）を検討し、Qwen3‑VL の小型版登場を待つのが現実的。(OpenRouter (opens in a new tab))

Q: ライセンスは？ A: 公開されている Qwen3‑VL‑235B‑A22B の重みは HF モデルカードいわく Apache‑2.0。チェックポイントごとにライセンスの確認を。(Hugging Face (opens in a new tab))

Q: 研究者が Qwen を選び続ける理由は？ A: 規模を跨ぐオープンウェイト、寛容なライセンス、強力な多言語性。さらに、BioQwen、長CoTのモデルマージ、Qwen2.5 起点の医療VQA RL‑チューニングなど、Qwenベースのファインチューニング事例が豊富。(ciblab.net (opens in a new tab))

コミュニティの反応と議論

Hacker News のスレッドでは、Qwen3‑VL‑Plus と qwen‑plus‑2025‑09‑11 のようなスナップショット名の混同、実運用のための実務的な質問が早速挙がった一方、オープンウェイト公開のペースに対する期待も大きい。初期 adopters の温度感を知る良い窓口。(Hacker News (opens in a new tab))

開発者コミュニティによる簡潔なまとめとしては Simon Willison のノートが参考——モデル「サイズ」の現実や、小型版が後追いで出る見込みの妥当性を確認するのに有用。(Simon Willison’s Weblog (opens in a new tab))

総括

Qwen3‑VL は、「この画像を認識して終わり」から一歩進み、画像・文書・動画をまたいで「推論し、行動する」方向へと、オープンウェイトのマルチモーダルモデルの水準を引き上げた。しかも馴染みのあるオープンなツーリング（Transformers）上に着地している。研究用途では新たな明白なベースライン。プロダクトチームにとっては、フラッグシップの自前ホスティングは現時点では重いが、API経由で即価値がある——特にドキュメントインテリジェンス、画面理解、動画QAで。Qwen2.5 の前例どおり小型版の Qwen3‑VL が続く局面が、本格的な普及の転換点になるはずだ。

参考文献・関連リンク

2025年版 Tableau のオープンソース代替ツールまとめCacheGen & CacheBlend：よりスマートなKVキャッシュ管理でAIエージェントを高速化