Qwen-VL

Qwen-VL は Alibaba Cloud の大規模な視覚言語モデルです。Hugging Face のモデルカードによると、画像・テキスト・バウンディングボックスを入力し、テキストとバウンディングボックスを出力します。ページには事前学習版の Qwen-VL と、対話向けに調整した Qwen-VL-Chat（Int4 版を含む）が載っています。言語のバックボーンは Qwen-7B で、関連論文は 2023 年 8 月 24 日公開の arXiv 2308.12966 です。

主な機能

• グラウンディング：参照表現の理解。カードによると、中国語のグラウンディング学習データなしで中国語にゼロショットで汎化します。
• 文字読み取り：TextVQA、DocVQA、ChartQA、AI2D、OCR-VQA などの文字中心の VQA に対応し、448 の入力解像度が役立ちます。
• 対話：Qwen-VL-Chat は多言語の対話と複数画像を交えたチャットに対応します。
• ベンダーの主張：カードによると、Flickr30K のゼロショットキャプションで SOTA、同規模の汎用モデルの中で RefCOCO で好成績。Qwen-VL-Chat の TouchStone スコアは英語 645.2、中国語 401.2 です。
• ライセンス：研究・開発は無料で、商用利用も許可されています。カードにライセンスファイルと商用申請フォームへのリンクがあります。

活用シーン

• 画像キャプションと視覚的質問応答。
• テキストの説明からバウンディングボックスで物体を特定する。
• 文書・チャート・スクリーンショットの文字を読み取る。

料金と提供状況

重みは Hugging Face から無料でダウンロードできます。カードには研究・開発での利用は無料で商用利用も許可されると書かれ、ライセンスファイルと商用申請フォームがあります。展開前に確認してください。ホスト型の価格はカードに記載がありません（2026-10-29 確認）。カードはパラメータ数を明示していませんが、ベンチマーク表ではモデルを Qwen-VL-7B と表記しており、Qwen-7B のバックボーンと整合します。

クイックスタート

1. モデルカードを開き、記載の依存関係をインストールします。
2. 事前学習用途は Qwen-VL、対話用途は Qwen-VL-Chat を読み込みます。メモリが少ない場合は Int4 のチャット版があります。
3. 画像とテキストのプロンプトを渡し、グラウンディングが必要ならボックスを要求します。
4. 採用前に、自社の画像で新しい Qwen の視覚モデルと比較します。

よくある質問

Qwen-VL は何を入力できますか？

画像、テキスト、バウンディングボックスを入力し、テキストとバウンディングボックスを出力します。

言語のバックボーンは？

モデルカードによると Qwen-7B です。

商用利用できますか？

カードには研究・開発は無料で商用利用も許可されると書かれており、ライセンスファイルと商用申請フォームがあります。

Qwen-VL の後継は？

カードに後継は示されていません。本サイトにある新しい Qwen の視覚モデルは Qwen2-VL 72B Instruct を参照してください。

代替ツール

• Qwen2-VL 72B Instruct：本サイトに掲載している新しい Qwen の視覚言語モデル。
• LLaVA 1.6：オープンな視覚言語モデル。
• CogVLM Base 490 HF：別のオープンな視覚言語モデル。

まとめ

Qwen-VL は、グラウンディングと文字読み取りを備えた、初期の資料が充実したオープン視覚言語モデルです。モデルカードを読み、新しい Qwen の視覚モデルと比較し、モデルカテゴリも参照してください。