アリババ (Alibaba) は10月18日(現地時間)、大規模言語モデル (LLM) ファミリー「Qwen」の最新版として、Qwen3-VL 8Bモデルがローカル環境での実行に対応し、5GBの容量で画像や動画の処理を実現したことを明らかにした。Qwenはテキスト、ビジョン言語、コード、数学、音声、エージェントワークロードを幅広くカバーするオープンウェイトモデル群であり、多様なAIアプリケーションへの展開が期待される。
アリババ (Alibaba) が開発するオープンウェイトの大規模言語モデル (LLM) ファミリー「Qwen」は、dense (0.6B, 32B) および MoE (最大235B-A22B) のアーキテクチャにわたる多様なモデルを提供している。このモデル群は、36兆トークンもの膨大なデータと119言語を用いて訓練されており、テキスト、ビジョン言語 (Qwen-VL)、コード (Qwen-Coder)、数学、音声、およびエージェントワークロードといった幅広いタスクに対応する。
Qwenの訓練プロセスには、強化学習による人間フィードバック (RLHF) やDAPOなどのポストトレーニング技術が適用されている。推論フェーズでは、vLLM、SGLang、およびTensorRT-LLMといった最適化されたフレームワーク上で実行されることで、高いパフォーマンスと効率を実現している。
近年、Qwenファミリーでは技術革新が相次いでいる。例えば、Qwen-Image-2.1-Turboは画像生成のステップを80%削減し、処理速度を大幅に向上させた。また、長時間のエージェント訓練においてQwenGyreは1.85倍の高速化を達成し、複雑なタスク処理能力を高めている。Qwen3-32Bモデルは、24GBのコンシューマー向けグラフィックス プロセッシング ユニット (GPU) でも動作するよう小型化され、より幅広いユーザーがアクセス可能となった。
さらに、特定の機能に特化したモデルも開発されている。Qwen Intelligenceは電話自動化機能を3つの専門エージェントに分割し、効率性と精度を向上させた。Qwen-Audio 3.1は音声APIの価格を最大95%削減し、音声処理サービスのコスト効率を高めた。Qwen-Image-2.1は追加ツールなしで透過画像の生成に対応し、画像編集の柔軟性を拡大している。
リアルタイム翻訳の分野では、Qwen3.8 LiveTranslateが音声翻訳の遅延を2.3秒に短縮し、より自然なコミュニケーションを可能にした。動画AIのコスト削減においては、Qwen3.8-Omni-Flashがエージェントツールを利用することで動画AIの運用コストを89%削減する成果を上げている。これらの進展は、Qwenファミリーが多岐にわたるAI応用分野で具体的な成果を出し続けていることを示している。
参考: alphasignal.ai (アーカイブ) — 2026年10月18日 09:23 (JST)
原文ハイライト"Qwen Ships Qwen3-VL 8B Locally, Seeing Images and Video in 5 GB"