Qwen2-VL（キューウェンツービジョンランゲージ）

Qwen2-VLとは

Qwen2-VL（Qwen2 Vision-Language）は、Alibaba Cloudが2024年10月に公開した視覚言語モデルシリーズ。7Bと72Bの2サイズがあり、画像・動画・テキストを統合処理する。

主要技術

Native Dynamic Resolution

任意解像度の画像を固定パッチに分割せず、画像固有のグリッドで動的にトークン化する。低解像度では少ないトークン、高解像度では多くのトークンを割り当てるため、精細なOCRや図表解析に強い。

M-RoPE（Multimodal Rotary Position Embedding）

空間2次元と時間1次元を統合したPosition Embedding。画像・動画を同一エンコーダで処理でき、最大1,280フレーム（約20分相当）の動画理解を実現する。

ベンチマーク性能

• Video-MME: 72.0点（72Bモデル）→ GPT-4o 71.9点を上回る
• DocVQA: 96.5点（最高水準クラス）
• MVBench: 74.8点
• MathVista: 74.8点

ライセンスと入手

7BモデルはApache 2.0ライセンスで商用利用可能。72BはQwenライセンス（月間アクティブユーザー1億人未満なら商用OK）。Hugging FaceのQwen/Qwen2-VL-7B-InstructおよびQwen/Qwen2-VL-72B-Instructで公開中。

主な活用場面

• 動画コンテンツの自動要約・字幕生成
• 技術文書・論文の図表OCR
• WebスクリーンショットのUI自動操作（Computer Use的タスク）
• 医療画像の補助解析

後継モデルと位置づけ

2025年初頭にはQwen2.5-VLがリリースされ、長尺動画処理スループットと多言語対応がさらに強化。InternVL2・VideoLLaMA3と並んでオープンソース動画LLMの主要選択肢となっている。