AlibabaがQwen2.5-VLをリリース：新たなフラッグシップマルチモーダルモデル

アリババグループのQwenチームは、新しいフラッグシップ視覚言語モデル「Qwen2.5-VL」をリリースしました。このモデルは3B、7B、72Bの3サイズで提供され、ベース版とインストラクト版の両方がHugging FaceとModelScopeで公開されています。オブジェクト、テキスト、図表の認識に加え、ビジュアルエージェントとしてコンピュータやスマートフォンを操作することも可能です。1時間を超える動画を理解し、時間的なイベントの位置特定ができます。バウンディングボックスやキーポイントによる正確なオブジェクト位置特定、文書・請求書・表に対するJSON形式の構造化出力もサポートしています。フラッグシップモデルのQwen2.5-VL-72B-Instructは、大学レベルの課題、数学、文書理解、動画理解などのベンチマークで競争力のある結果を示しています。小型版（7B）は多くのタスクでGPT-4o-miniを上回り、エッジAI向けの3B版は従来の7Bモデルを超える性能を発揮します。画像認識も改善され、植物、動物、ランドマーク、映画キャラクター、商品など膨大なカテゴリをカバーします。また、文書マークアップにはHTML形式（QwenVL HTML）を採用しています。