AI・機械学習
上級
Qwen2.5-VL（キューウェンニーテンゴブイエル）
Alibaba/Qwen TeamのビジョンLLMシリーズ最新版。7B〜72Bの4サイズ展開で、動画理解・エージェント操作・ドキュメント解析に強みを持ちオープンソースVLMの2025年標準候補。
0 回閲覧
0 いいね
2026/6/6 更新
関連タグ
Qwen
ビジョンLLM
ビデオ理解
GUI Agent
Qwen2.5-VL — エージェント対応の高性能オープンVLM
概要
Qwen2.5-VLは、Alibaba Cloudのオープンソースモデルファミリー「Qwen」のビジョン言語モデルシリーズ最新版。2025年1月に公開され、前世代Qwen2-VLから大幅な改善が図られた。特に「エージェント操作」「長時間ビデオ理解」「ドキュメント解析」の3分野で商用VLM（GPT-4o、Gemini 1.5）に迫る性能を示した。
モデルラインアップ
| バリアント | パラメータ | ライセンス | 特徴 |
|---|---|---|---|
| Qwen2.5-VL-3B | 3B | オープン(Apache2.0) | エッジ/モバイル |
| Qwen2.5-VL-7B | 7B | オープン(Apache2.0) | コスパ最強 |
| Qwen2.5-VL-32B | 32B | オープン(Apache2.0) | バランス高品質 |
| Qwen2.5-VL-72B | 72B | オープン(Apache2.0) | GPT-4o競合 |
| Qwen2.5-VL-2B | 2B | クローズド(API) | 最軽量 |
主要技術革新
1. NaViT（Native Resolution ViT）採用:
- 可変アスペクト比・可変解像度の直接処理
- 従来の固定解像度リサイズによる情報損失を排除
- 4096px×4096pxまでの超高解像度画像対応
2. 動的FPS ビデオ処理:
- 最大20分の長時間動画を処理可能
- シーン内容に応じてフレームレートを動的調整（重要シーンは高FPS、静止シーンは低FPS）
- 動画のタイムスタンプ付き回答生成
3. GUI Agent 能力:
- スクリーンショットからUI要素（ボタン・フォーム・メニュー）を認識
- クリック座標・スクロール方向・入力文字列を自動生成
- ScreenSpot（GUI操作評価）で72Bが最高スコア記録
ベンチマーク（Qwen2.5-VL-72B）
| ベンチマーク | スコア | GPT-4o | Claude 3.5 |
|---|---|---|---|
| MMMU | 82.6 | 82.5 | 70.4 |
| DocVQA | 96.4 | 91.1 | 89.2 |
| InfoVQA | 84.5 | 77.2 | - |
| ScreenSpot | 88.9 | 71.0 | 78.6 |
| Video-MME | 73.3 | 71.9 | 60.0 |
DocVQA 96.4はオープンモデル最高水準。
ローカル実行方法
# Ollama
ollama run qwen2.5vl:7b
# LM Studio
# モデルカード: Qwen/Qwen2.5-VL-7B-Instruct-GGUF
実用ユースケース
- RPA/自動化: Webブラウザ操作の自動化エージェント
- 業務文書: 請求書・契約書の情報抽出（日本語対応も優秀）
- 教育: 数学問題の手書き解答採点
- ECサイト: 商品画像からのスペック自動入力
- 監視: カメラ映像のリアルタイム異常検知